TensorFlow2 开发指南 | 02 回归问题之汽车燃油效率预测

原创

AI菌

修改于 2020-10-26 11:32:19

5670

修改于 2020-10-26 11:32:19

文章被收录于专栏：TensorFlow2 开发指南 TensorFlow2 开发指南TensorFlow2 开发指南

大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！这博客是我对学习的一点总结与思考。如果您也对 深度学习、机器视觉、数据结构与算法、编程 等感兴趣，可以关注我的动态，我们一起学习，一起进步~
我的博客地址为：【AI 菌】的博客我的Github项目地址是：【AI 菌】的Github

前言：

这个专栏我将分享我的 TensorFlow2 学习过程，力争打造一个的轻松而高效的TensorFlow2入门学习教程，想学习的小伙伴可以关注我的动态！我们一起学习，一起进步！

相关文章：【TF2.0深度学习实战——图像分类】

一、回归问题

机器学习中有两大基本问题：分类问题和回归问题。分类(classification) 的目的是从一系列的类别中选择出一个分类，如果是针对图片进行分类，就是图片分类问题，这一部分可参见我上一个专栏：【TF2.0深度学习实战——图像分类】。在机器学习中，另一个重要的问题就是回归问题 (regression) 。它的目的是预测出如价格或概率这样连续的输出值。

本次我们学习一个基本的回归问题，用来预测汽车消耗燃油的效率。我们使用经典的 Auto MPG 数据集，构建了一个用来预测70年代末到80年代初汽车燃油效率的模型。为了做到这一点，我们将为该模型提供许多那个时期的汽车描述。这个描述包含：气缸数，排量，马力以及重量等。

Auto MPG 数据集部分样本如下表所示：

二、数据集准备

（1）数据集下载与导入

# 下载AUTO-MPG数据集
dataset_path = keras.utils.get_file("auto-mpg.data", "http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data")

# 使用pandas导入数据集
column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',
                'Acceleration', 'Model Year', 'Origin']
raw_dataset = pd.read_csv(dataset_path, names=column_names,
                      na_values = "?", comment='\t',
                      sep=" ", skipinitialspace=True)
dataset = raw_dataset.copy()
dataset.tail()

（2）数据清洗

dataset.isna().sum()  # 数据集中包括一些未知值
dataset = dataset.dropna()  # 删除未知行

# origin列实际上代表分类，将origin列转换为独热码（one-hot）
origin = dataset.pop('Origin')  
dataset['USA'] = (origin == 1)*1.0
dataset['Europe'] = (origin == 2)*1.0
dataset['Japan'] = (origin == 3)*1.0
dataset.tail()

将origin列转换为独热码后，原来数据集样本变为：

（3）数据集划分

# 拆分训练数据集和测试数据集
train_dataset = dataset.sample(frac=0.8, random_state=0)
test_dataset = dataset.drop(train_dataset.index)

（4）数据检查

使用 seaborn 库快速查看训练集中几对列的联合分布。

# 使用seaborn进行数据检查
sns.pairplot(train_dataset[["MPG", "Cylinders", "Displacement", "Weight"]], diag_kind="kde")

联合分布如下：

（5）分离标签

由于标签MPG列存在于下载的数据集中，因此需要单独分离开来。

train_labels = train_dataset.pop('MPG')
test_labels = test_dataset.pop('MPG')

（6）数据规范化

def norm(x):
  return (x - train_stats['mean']) / train_stats['std']
normed_train_data = norm(train_dataset)
normed_test_data = norm(test_dataset)

三、模型搭建与训练

（1）模型的搭建

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
    layers.Dense(64, activation='relu'),
    layers.Dense(1)
  ])

（2）模型的装配

optimizer = tf.keras.optimizers.RMSprop(0.001)
model.compile(loss='mse',
                optimizer=optimizer,
                metrics=['mae', 'mse'])

（3）模型的训练

EPOCHS = 1000
history = model.fit(
  normed_train_data, train_labels,
  epochs=EPOCHS, validation_split=0.2, verbose=2)

（4）训练的可视化

def plot_history(history):
  hist = pd.DataFrame(history.history)
  hist['epoch'] = history.epoch

  plt.figure()
  plt.xlabel('Epoch')
  plt.ylabel('Mean Abs Error [MPG]')
  plt.plot(hist['epoch'], hist['mae'],
           label='Train Error')
  plt.plot(hist['epoch'], hist['val_mae'],
           label='Val Error')
  plt.ylim([0, 5])
  plt.legend()

  plt.figure()
  plt.xlabel('Epoch')
  plt.ylabel('Mean Square Error [$MPG^2$]')
  plt.plot(hist['epoch'], hist['mse'],
           label='Train Error')
  plt.plot(hist['epoch'], hist['val_mse'],
           label='Val Error')
  plt.ylim([0, 20])
  plt.legend()
  plt.show()
  
plot_history(history)

可视化结果：

上图表显示在约80个 epochs 之后误差非但没有改进，反而出现恶化。 ==因此我们可以更新 model.fit 调用，当验证值没有提高上是自动停止训练==。具体的作法就是：使用一个 EarlyStopping callback 来测试每个 epoch 的训练条件。如果经过一定数量的 epochs 后没有改进，就自动停止训练。

四、停训与预测

（1）提前停止训练

由于训练到一定epochs后，模型的误差可能不再变化，甚至在恶化，这时就可以提前停止训练，节省时间。

# patience 值用来检查改进 epochs 的数量
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(normed_train_data, train_labels, epochs=EPOCHS,
                    validation_split=0.2, verbose=1, callbacks=[early_stop])

使用 EarlyStopping callback 连续检测10个epochs，如果误差没有变小，就停止训练。结果如下：

从上图可以发现：加了 EarlyStopping callback 后，模型提前停止训练了，在训练到50个epochs左右时，误差就没有再缩小，从而提前停止训练。

（2）预测效果

以上都是在训练和验证集上的测试效果，下面我们将对测试集进行预测，来测试模型的泛化效果。

# 平均预测误差
loss, mae, mse = model.evaluate(normed_test_data, test_labels, verbose=2)
print("Testing set Mean Abs Error: {:5.2f} MPG".format(mae))
test_predictions = model.predict(normed_test_data).flatten()

# 可视化预测效果：prediction-truth图
plt.figure()
plt.scatter(test_labels, test_predictions)
plt.xlabel('True Values [MPG]')
plt.ylabel('Predictions [MPG]')
plt.axis('equal')
plt.axis('square')
plt.xlim([0,plt.xlim()[1]])
plt.ylim([0,plt.ylim()[1]])
_ = plt.plot([-100, 100], [-100, 100])

# 误差分布图
plt.figure()
error = test_predictions - test_labels
plt.hist(error, bins = 25)
plt.xlabel("Prediction Error [MPG]")
_ = plt.ylabel("Count")
plt.show()

测试集上的预测效果如下：