數(shù)據(jù)集

• Keras中常見(jiàn)的集成數(shù)據(jù)集
• 波士頓房?jī)r(jià)數(shù)據(jù)集
• • 1. 加載數(shù)據(jù)集
  • 2. 訪問(wèn)數(shù)據(jù)集
  • 3. 數(shù)據(jù)可視化

Keras是一個(gè)高層的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)庫(kù)，可以快速搭建神經(jīng)網(wǎng)絡(luò)，易于調(diào)試和從擴(kuò)展，是TensorFlow的官方API，內(nèi)置了常用的公共數(shù)據(jù)集，可通過(guò) keras.datasets模塊來(lái)加載和訪問(wèn)。

Keras中常見(jiàn)的集成數(shù)據(jù)集

名稱說(shuō)明

boston_sousing	波士頓房?jī)r(jià)數(shù)據(jù)集
CIFAR10	10種類別的圖片集
CIFAR100	100種類別的圖片集
MNIST	手寫(xiě)數(shù)字圖片集
Fashion-MNIST	10重時(shí)尚類別的圖片集
IMDB	電影點(diǎn)評(píng)數(shù)據(jù)集
reuters	路透社新聞數(shù)據(jù)集

波士頓房?jī)r(jià)數(shù)據(jù)集

1. 加載數(shù)據(jù)集

import tensorflow as tfboston_housing=tf.keras.datasets.boston_housing #train_x和train_y分別接收訓(xùn)練數(shù)據(jù)集的屬性和房?jī)r(jià) #test_x和test_y分別接收測(cè)試數(shù)據(jù)集的屬性和房?jī)r(jià) #(train_x,train_y),(test_x,test_y)=boston_housing.load_data() #默認(rèn)test_split=0.2，即train數(shù)據(jù)占比0.8，test數(shù)據(jù)占比0.2 (train_x,train_y),(test_x,test_y)=boston_housing.load_data(test_split=0)#所有數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)print("Training set:",len(train_x)) print("Testing set:",len(test_x)) print("Dim of train_x:",train_x.ndim)#維度 print("Dim of train_x:",train_x.shape)#形狀 print("Dim of train_y:",train_y.ndim) print("Dim of train_y:",train_y.shape)

輸出結(jié)果如下：

Training set: 506 Testing set: 0 Dim of train_x: 2 Dim of train_x: (506, 13) Dim of train_y: 1 Dim of train_y: (506,)

數(shù)據(jù)集下載經(jīng)常因?yàn)榫W(wǎng)絡(luò)問(wèn)題而下載錯(cuò)誤，多試幾次就好了，數(shù)據(jù)集下載提示如下圖：
也可以自己在網(wǎng)上找鏈接下載后放到文件夾中（推薦），默認(rèn)路徑是：
C:\Users\Administrator\.keras\datasets\boston_housing.npz
我的路徑是：C:\Users\覃忠原\.keras\datasets\boston_housing.npz

2. 訪問(wèn)數(shù)據(jù)集

• 輸出行數(shù)據(jù)

#通過(guò)numpy數(shù)組的索引和切片來(lái)查看數(shù)據(jù) print(train_x[0:3]) #輸出train_x中的前3行數(shù)據(jù)

由輸出結(jié)果可看出是二維數(shù)組，一個(gè)維度對(duì)應(yīng)一條房屋信息數(shù)據(jù)，每條信息中包括13個(gè)屬性，如下：

[[1.23247e+00 0.00000e+00 8.14000e+00 0.00000e+00 5.38000e-01 6.14200e+009.17000e+01 3.97690e+00 4.00000e+00 3.07000e+02 2.10000e+01 3.96900e+021.87200e+01][2.17700e-02 8.25000e+01 2.03000e+00 0.00000e+00 4.15000e-01 7.61000e+001.57000e+01 6.27000e+00 2.00000e+00 3.48000e+02 1.47000e+01 3.95380e+023.11000e+00][4.89822e+00 0.00000e+00 1.81000e+01 0.00000e+00 6.31000e-01 4.97000e+001.00000e+02 1.33250e+00 2.40000e+01 6.66000e+02 2.02000e+01 3.75520e+023.26000e+00]]

• 輸出列數(shù)據(jù)

print(train_x[:,5]) #取出train_x中第一維的全部數(shù)據(jù)，第二維取出索引為5的數(shù)據(jù)

返回一個(gè)一維數(shù)組，分別是每條數(shù)據(jù)中的平均房間數(shù)，結(jié)果如下：

[6.142 7.61 4.97 6.037 6.376 5.708 5.536 5.468 5.628 5.019 6.404 4.6285.572 6.251 5.613 5.957 7.016 6.345 6.162 6.727 6.202 6.595 7.135 6.5755.895 6.794 6.012 7.185 5.813 5.569 6.315 6.297 6.301 5.935 7.024 6.415....... #太多了這里就不一一列出來(lái)了5.885 6.375 6.968 4.88 5.981 7.52 5.593 6.485 5.705 6.172 6.229 5.9516.593 7.061 6.03 5.884 6.897 8.259 6.812 6.122 7.333 8.78 6.273 7.8026.951 6.101]

• 輸出全部數(shù)據(jù)

print(train_y) #輸出train_y的全部數(shù)據(jù)

3. 數(shù)據(jù)可視化

• 波士頓房?jī)r(jià)屬性描述

變量名說(shuō)明

CRIM	城鎮(zhèn)人口犯罪率
ZN	超過(guò)25000平方英尺的住宅用地所占比例
INDUS	城鎮(zhèn)非零售業(yè)務(wù)地區(qū)的比例
CHAS	查爾斯河虛擬變量(如果土地在河邊=1；否則是0)
NOX	一氧化氮濃度(每1000萬(wàn)份)
RM	平均每居民房數(shù)
AGE	在1940年之前建成的所有者占用單位的比例
DIS	與五個(gè)波士頓就業(yè)中心的加權(quán)距離
RAD	輻射狀公路的可達(dá)性指數(shù)
TAX	每10,000美元的全額物業(yè)稅率
RTRATIO	城鎮(zhèn)師生比例
B	1000(Bk-0.63)^2其中Bk是城鎮(zhèn)黑人的比例
LSTAT	人口中地位較低人群的百分?jǐn)?shù)
MEDV	(目標(biāo)變量/類別屬性)以1000美元計(jì)算的自有住房的中位數(shù)

• scatter()函數(shù)：展示平均房間數(shù)與房?jī)r(jià)之間的關(guān)系

import matplotlib.pyplot as plt import numpy as np import tensorflow as tfplt.rcParams['font.sans-serif']="SimHei"boston_housing=tf.keras.datasets.boston_housing #沒(méi)有用到test數(shù)據(jù)，故可用下劃線_代替 (train_x,train_y),(_,_)=boston_housing.load_data(test_split=0)plt.figure(figsize=(5,5)) #設(shè)置繪圖尺寸 plt.scatter(train_x[:,5],train_y) #散點(diǎn)圖 plt.xlabel("平均房間數(shù)") plt.ylabel("價(jià)格/$1000") plt.title("平均房間數(shù)和價(jià)格之間的關(guān)系") plt.show()

輸出結(jié)果如下（總體上趨于數(shù)量越多價(jià)格越高）：
- 循環(huán)語(yǔ)句：輸出所有屬性關(guān)系圖

import matplotlib.pyplot as plt import numpy as np import tensorflow as tfplt.rcParams['font.sans-serif']="SimHei" plt.rcParams['axes.unicode_minus']=Falseboston_housing=tf.keras.datasets.boston_housing (train_x,train_y),(_,_)=boston_housing.load_data(test_split=0) #沒(méi)有用到test數(shù)據(jù)，故可用下劃線_代替titles=["CRIM","ZN","INDUS","CHAS","NOX","AGE","DIS","RAD","TAX","PTRATIO","B-1000","LSTAT","MEDV"]plt.figure(figsize=(12,9))for i in range(12):plt.subplot(3,4,(i+1))plt.scatter(train_x[:,i],train_y)plt.xlabel(titles[i])plt.ylabel("價(jià)格/$1000")plt.title(str(i+1)+"."+titles[i]+"-價(jià)格")plt.tight_layout() plt.suptitle("各個(gè)屬性與房?jī)r(jià)間的關(guān)系",x=0.5,y=1.02,fontsize=20) plt.show()

輸出結(jié)果如下：

總結(jié)

以上是生活随笔為你收集整理的波士顿房价数据集的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。