教学课件第6章 波士顿房价预测.ppt

第6章 波士顿房价预测 第6章 波士顿房价预测项目 程序设计综合实践 问题描述 1 问题描述 波士顿房价数据集（部分） CRIM ZN INDUS CHAS NOX RM AGE DIS RAD TAX PTRATIO B LSTAT MEDV 0.25915 0.00 21.890 0 0.6240 5.6930 96.00 1.7883 4 437.0 21.20 392.11 17.19 16.20 0.11132 0.00 27.740 0 0.6090 5.9830 83.50 2.1099 4 711.0 20.10 396.90 13.35 20.10 0.05083 0.00 5.190 0 0.5150 6.3160 38.10 6.4584 5 224.0 20.20 389.71 5.68 22.20 0.05602 0.00 2.460 0 0.4880 7.8310 53.60 3.1992 3 193.0 17.80 392.63 4.45 50.00 2.73397 0.00 19.580 0 0.8710 5.5970 94.90 1.5257 5 403.0 14.70 351.85 21.45 15.40 0.25356 0.00 9.900 0 0.5440 5.7050 77.70 3.9450 4 304.0 18.40 396.42 11.50 16.20 0.16211 20.00 6.960 0 0.4640 6.2400 16.30 4.4290 3 223.0 18.60 396.90 6.59 25.20 解题思路 2 问题分析 13个特征 CRIM ZN INDUS CHAS NOX RM AGE DIS RAD TAX PTRATIO B LSTAT MEDV 0.25915 0.00 21.890 0 0.6240 5.6930 96.00 1.7883 4 437.0 21.20 392.11 17.19 16.20 0.11132 0.00 27.740 0 0.6090 5.9830 83.50 2.1099 4 711.0 20.10 396.90 13.35 20.10 0.05083 0.00 5.190 0 0.5150 6.3160 38.10 6.4584 5 224.0 20.20 389.71 5.68 22.20 0.05602 0.00 2.460 0 0.4880 7.8310 53.60 3.1992 3 193.0 17.80 392.63 4.45 50.00 2.73397 0.00 19.580 0 0.8710 5.5970 94.90 1.5257 5 403.0 14.70 351.85 21.45 15.40 0.25356 0.00 9.900 0 0.5440 5.7050 77.70 3.9450 4 304.0 18.40 396.42 11.50 16.20 0.16211 20.00 6.960 0 0.4640 6.2400 16.30 4.4290 3 223.0 18.60 396.90 6.59 25.20 三层BP神经网络基本原理 三层BP神经网络模型 训练结束条件： （1）误差小于预设值 （2）训练次数达到预设的上限值 BP神经元模型 典型激活函数 前向传播         说明：在本项目中先不考虑阈值影响。 反向传播算法的数学推导 误差的反向传播：将输出误差通过隐含层向输入层逐层反传，并将误差作为修正各单元连接权值的依据。 假设实际输出和期望输出之间的误差是E，则对于单个样本所产生的误差损失为：   反向传播算法的数学推导 反向传播算法的数学推导 全局均方误差   算法步骤     步骤7：使用测试集评估模型。输入测试数据，经过训练好的神经网络模型计算，输出预测结果，并依据全局均方根误差公式计算预测精度，并输出。 步骤5：计算全局均方误差。 步骤6：判断是否达到训练次数或误差达到预设精度。当满足条件时，结束训练进入下一步。若不满足，则返回步骤3，进入下一轮训练。 算法执行过程 主函数main{ 　读取样本数据 ReadData(); 初始化BP神经网络 InitBPNetwork(){ 包括数据的归一，神经元连接权值初始化w[Neuron][In]、v[Out][Neuron]等; } BP神经网络训练 TrainNetwork(){ do{ for(i 小于 样本容量Data){ 　　　　　计算按照第i个样本输入，产生的BP神经网络的输出 ComputO(i);