具有加州住房数据的神经网络答案

【问题标题】：Neural Network with California Housing Data具有加州住房数据的神经网络
【发布时间】：2018-12-08 01:23:41
【问题描述】：

我尝试编写一个在加利福尼亚住房数据集上训练的神经网络，该数据集是从 Aurelion Geron 的 GitHup 获得的。但是当我运行代码时，网络没有得到训练并且 loss = nan. 有人可以解释我做错了什么吗？最好的问候，罗宾

csv 文件的链接：https://github.com/ageron/handson-ml/tree/master/datasets/housing

我的代码：

import numpy
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense


# load dataset
df = pd.read_csv("housing.csv", delimiter=",", header=0)
# split into input (X) and output (Y) variables
Y = df["median_house_value"].values
X = df.drop("median_house_value", axis=1)
# Inland / Not Inland -> True / False = 1 / 0
X["ocean_proximity"] = X["ocean_proximity"]== "INLAND"
X=X.values


X= X.astype(float)
Y= Y.astype(float)

model = Sequential()
model.add(Dense(100, activation="relu", input_dim=9))
model.add(Dense(1, activation="linear"))
# Compile model
model.compile(loss="mean_squared_error", optimizer="adam")


model.fit(X, Y, epochs=50, batch_size=1000, verbose=1)

【问题讨论】：

标签： python machine-learning keras neural-network

【解决方案1】：

我发现了错误，“total_bedrooms”列中缺少值

【讨论】：

【解决方案2】：

您需要从数据中删除 NaN 值。

快速查看数据后，您还需要规范化您的数据（就像每次使用神经网络一样，以帮助收敛）。

为此，您可以使用 Standard Scaler、Min-Max Scaler 等。

【讨论】：

【解决方案3】：

DataFrame 中的 nan 值导致了这种行为。删除具有 nan 值的行并规范化您的数据：

df = df[~df.isnull().any(axis=1)]
df.iloc[:,:-1]=((df.iloc[:,:-1]-df.iloc[:,:-1].min())/(df.iloc[:,:-1].max()-df.iloc[:,:-1].min()))

你会得到：

Epoch 1/50
 1000/20433 [>.............................] - ETA: 3s - loss: 0.1732
20433/20433 [==============================] - 0s 11us/step - loss: 0.1001
Epoch 2/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0527
20433/20433 [==============================] - 0s 3us/step - loss: 0.0430
Epoch 3/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0388
20433/20433 [==============================] - 0s 2us/step - loss: 0.0338
Epoch 4/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0301
20433/20433 [==============================] - 0s 2us/step - loss: 0.0288
Epoch 5/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0300
20433/20433 [==============================] - 0s 2us/step - loss: 0.0259
Epoch 6/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0235
20433/20433 [==============================] - 0s 3us/step - loss: 0.0238
Epoch 7/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0242
20433/20433 [==============================] - 0s 2us/step - loss: 0.0225
Epoch 8/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0213
20433/20433 [==============================] - 0s 2us/step - loss: 0.0218
Epoch 9/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0228
20433/20433 [==============================] - 0s 2us/step - loss: 0.0214
Epoch 10/50
 1000/20433 [>.............................] - ETA: 0s - loss: 0.0206
20433/20433 [==============================] - 0s 2us/step - loss: 0.0211

【讨论】：