一、内容实现概述
本文主要讲述使用keras库内置的Sequential（序列）模型，实现房价预测。具体实现过程如下：
- 1. 导入所需库：预先导入keras以及scikit-learn库
- 2. 导入数据：调用keras库内置的房价数据库（boston_housing）方法load_data()，导入并分割好数据
- 3. 数据预处理：对房价数据进行特征缩放预处理（由于它的特征列数据所在的维度（范围）不同，不便于统一训练）
- 4. 构建模型：调用keras库的Sequential模型类，构建模型
- 5. 添加中间（网络）层，并使用常见的Relu类型激活函数
- 6. 编译模型：调用keras库的compile()方法对模型进行编译，设置常见的损失函数模板（mse，均方误差）和评估模板（mae，平均绝对误差）
- 7. 训练模型：调用keras库的fit()方法对训练集数据进行拟合，设置好迭代轮次和批次参数值
- 8. 评估模型：调用keras库的evaluate()方法对测试集数据进行预测
- 9. 预测模型：调用keras库的predict()方法对测试集数据进行预测
注：
- 在Python中使用（导入）keras库时，需要先安装，本实现使用的是pip命令安装 pip install --upgrade keras
- 在Python中使用（导入）scikit-learn库时，需要先安装，本实现使用的是pip命令安装 pip install -U scikit-learn
- Scikit-Learn官方教程
- Keras官方教程
二、代码实现
注：源代码地址
# 主题：实现预测波士顿房价（中位数）的神经网络模型
# 模型存在的问题：在house_price_prediction这个例子中，预测房价与实际房价平均相差2600美元，考虑到实际房价范围是10000美元～50000美元，这一差别还是很大的
# 优化策略：根据MAE曲线绘制图结果(剔除前10个数据点)，将轮数改为130
import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'
from sklearn.preprocessing import StandardScaler
from keras.src.datasets import boston_housing
from keras.src.models.sequential import Sequential
from keras.src.layers import Dense
# 1. 导入波士顿房价数据集
(X_train, y_train), (X_test, y_test) = boston_housing.load_data()
# 2. 数据预处理
# a. 数据标准化，也叫特征缩放
# 该数据标准化实现，就是下面的StandardScaler类实现
# mean = X_train.mean(axis=0)
# X_train -= mean
# std = X_train.std(axis=0)
# X_train /= std
# X_test -= mean
# X_test /= std
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 3. 模型处理
# 由于样本数量很少，因此我们将使用一个非常小的模型。它包含两个中间层，每层有64个单元
# 一般来说，训练数据越少，过拟合就会越严重，而较小的模型可以降低过拟合
def build_model():
model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1)) # 模型的最后一层只有一个单元且没有激活函数，表面它是一个线性层。因为这是标量回归（用于预测单一连续值的回归）的典型设置。添加激活函数将限制输出范围。如果向最后一层添加sigmoid激活函数，那么模型只能学会预测0到1的值。这里最后一层是纯线性的，所以模型可以学会预测任意范围的值
# 第三步：编译模型
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
return model
model = build_model() # 构建Keras模型（已编译）
# 第四步：训练模型
# 使用静默模式参数，verbose=0
model.fit(X_train, y_train, epochs=130, batch_size=16, verbose=0)
# 第五步：评估模型
test_mse_score, test_mae_score = model.evaluate(X_test, y_test)
print("test_mae_score: ", test_mae_score)
# 第六步：预测模型
y_pred = model.predict(X_test)
print("first house price: ", y_pred[0])
三、运行结果
