如何使用PyTorch库进行波士顿房价的预测并实现一个神经网络模型？读取本地数据test.csv文件的完整代码

在PyTorch中，我们可以使用`pandas`库来读取CSV数据，然后构建一个简单的神经网络模型来进行波士顿房价预测。以下是完整的步骤： 首先，确保已经安装了所需的库，如pandas、torch、numpy以及sklearn等。如果没有，可以使用pip安装： ```bash pip install pandas torch numpy scikit-learn ``` 接下来，导入所需的库，并读取数据： ```python import torch import torch.nn as nn import torch.optim as optim from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split import pandas as pd # 加载数据 boston = load_boston() data = boston.data labels = boston.target df = pd.DataFrame(data, columns=boston.feature_names) target_column = 'PRICE' # 房价列名假设为'PRICE' df[target_column] = labels ``` 接着，我们将数据划分为训练集和测试集： ```python X_train, X_test, y_train, y_test = train_test_split(df.drop(target_column, axis=1), df[target_column], test_size=0.2, random_state=42) ``` 为了将数据转换成PyTorch的张量格式，我们还需要做一些预处理： ```python # 将数据标准化 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 将数据转化为张量 X_train = torch.tensor(X_train, dtype=torch.float32) y_train = torch.tensor(y_train, dtype=torch.float32).view(-1, 1) X_test = torch.tensor(X_test, dtype=torch.float32) y_test = torch.tensor(y_test, dtype=torch.float32).view(-1, 1) ``` 现在，我们可以创建一个简单的神经网络模型（这里使用线性回归，因为波士顿房价问题相对简单，适合于入门示例）： ```python class BostonHousePriceModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(BostonHousePriceModel, self).__init__() self.linear_1 = nn.Linear(input_dim, hidden_dim) self.linear_2 = nn.Linear(hidden_dim, output_dim) def forward(self, x): x = torch.relu(self.linear_1(x)) return self.linear_2(x) # 定义模型参数 input_dim = len(boston.feature_names) # 输入特征数 hidden_dim = 64 output_dim = 1 # 因为我们只有一个房价值 model = BostonHousePriceModel(input_dim, hidden_dim, output_dim) optimizer = optim.SGD(model.parameters(), lr=0.01) criterion = nn.MSELoss() # 使用均方误差损失函数 ``` 开始训练模型： ```python num_epochs = 500 for epoch in range(num_epochs): model.train() # 设置为训练模式 optimizer.zero_grad() # 清除梯度 predictions = model(X_train) loss = criterion(predictions, y_train) loss.backward() # 反向传播 optimizer.step() # 更新权重 if (epoch + 1) % 100 == 0: print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}") model.eval() # 设置为评估模式，防止梯度计算影响性能 ``` 最后，我们可以对测试集进行预测： ```python with torch.no_grad(): y_pred = model(X_test) mse_test = criterion(y_pred, y_test) print(f"Test set MSE: {mse_test.item():.4f}") ```