百度收录比较好的网站,it运维服务商,做网站要会那些ps,做淘客的网站关键词有哪些1、首先对数据进行读取和预处理 2、读取数据后#xff0c;对x数据进行标准化处理#xff0c;以便于后续训练的稳定性#xff0c;并转换为tensor格式 3、接下来设置训练参数和模型 这里采用回归模型#xff0c;既yx*weight1bias1#xff0c;设置的学习率为0.0006#x…1、首先对数据进行读取和预处理 2、读取数据后对x数据进行标准化处理以便于后续训练的稳定性并转换为tensor格式 3、接下来设置训练参数和模型 这里采用回归模型既yx*weight1bias1设置的学习率为0.0006损失函数采用了MSE均方误差 4、绘制图像 由于数据量较少所以将整个训练集作为测试集观察生成的图像 完整代码
import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch.optim as optim
import warnings
warnings.filterwarnings(ignore)# In[4]:features pd.read_csv(房价预测.csv)features# In[26]:year []
price []
for i in range(0,12):year.append([features[Year][i]])price.append([features[Price][i]])# In[27]:year np.array(year)
price np.array(price)
year,price# In[53]:from sklearn import preprocessing# 特征标准化处理
year preprocessing.StandardScaler().fit_transform(year)
year[0]# In[54]:x torch.tensor(year,dtypefloat)
y torch.tensor(price,dtypefloat)
x,y# In[62]:learning_rate 0.0001
weights1 torch.randn((1,1),dtypefloat,requires_gradTrue)
bias1 torch.randn(1,dtypefloat,requires_gradTrue)losses []for i in range(0, 5000):ans x.mm(weights1) bias1#计算损失criterion torch.nn.MSELoss() # 使用适当的损失函数loss criterion(ans, y)losses.append(loss)if i%1000:print(floss{loss},epoch{i},w{weights1})#反向传播loss.backward()#更新参数weights1.data.add_(-learning_rate*weights1.grad.data)bias1.data.add_(-learning_rate*bias1.grad.data)#清空weights1.grad.data.zero_()bias1.grad.data.zero_()
# 使用 features[Year] 和 features[Price] 创建日期和价格的列表
year features[Year]
price features[Price]
# 将 ans 转换为 Python 列表
ans_list ans.tolist()# 提取列表中的每个元素确保是单个的标量值
predictions [item[0] for item in ans_list]# 创建一个表格来存日期和其对应的标签数值
true_data pd.DataFrame(data{date: year, actual: price})
predictions_data pd.DataFrame(data{date: year, prediction: predictions})
# 真实值
plt.plot(true_data[date], true_data[actual], b-, labelactual)# 预测值
plt.plot(predictions_data[date], predictions_data[prediction], ro, labelprediction)
plt.xticks(rotation60)
plt.legend()# 图名
plt.xlabel(Date)
plt.ylabel(Price) # 注意修改为你的标签
plt.title(Actual and Predicted Values)
plt.show() 本文由博客一文多发平台 OpenWrite 发布
