第6章 波士顿房价预测问题-第8次课

第6章波士顿房价预测项目程序设计课程实践课前视频学习任务6.1.1问题描述与解题思路.mp4（时长3:34）6.1.2三层BP神经网络模型与神经元模型.mp4（时长5:39）6.1.3神经网络前向与反向传播的计算过程.mp4(时长10:55)6.1.4BP神经网络算法流程（时长5:03）6.2.1全局变量与代码整体框架（时长5:41）6.2.2训练数据读入与神经网络初始化（时长4:10）6.2.3神经网络训练与模型评估（时长6:32）课前实践任务使用三层BP神经网络方法求解波士顿房价预测问题，画出相应的程序流程图，最终实现项目开发；对比第4章多元线性回归方法求解该问题的预测准确度。使用一种三层BP神经网络求解鸢尾花分类问题课堂测试（5分钟）重难点讲解（15分钟）问题描述波士顿房价数据集（部分）CRIMZNINDUSCHASNOXRMAGEDISRADTAXPTRATIOBLSTATMEDV0.259150.0021.89000.62405.693096.001.78834437.021.20392.1117.1916.200.111320.0027.74000.60905.983083.502.10994711.020.10396.9013.3520.100.050830.005.19000.51506.316038.106.45845224.020.20389.715.6822.200.056020.002.46000.48807.831053.603.19923193.017.80392.634.4550.002.733970.0019.58000.87105.597094.901.52575403.014.70351.8521.4515.400.253560.009.90000.54405.705077.703.94504304.018.40396.4211.5016.200.1621120.006.96000.46406.240016.304.42903223.018.60396.906.5925.20求解问题：已知波士顿地区506条房价数据。设计一种算法构建波士顿房价预测模型，能根据13个与房价相关的特征预测自住房的平均价格。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神经元模型神经元接收到的总输入值s：神经元的输出y：典型激活函数前向传播

其中Vj=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。输出层的期望输出：输出层的实际输出：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反向传播算法的数学推导算法步骤

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。前向传播公式：全局均分误差：全局均分根误差：反向传播调整权值公式：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);

反向调节BP神经网络的各层权值，完成第i个样本的学习BackUpdate(i);

累计误差精度;}

计算全局均方误差;}while(未达到训练次数或者未符合误差精度);}

用测试数据评估训练好的神经网络模型TestNetwork();return0;}项目代码解读（10分钟）课堂讨论（10分钟）课堂讨论1、三层BP网络算法的常用改进方法。参考：（1）自适应调节学习率。使用自适应步长方法，代替固定步长，使权重修改量随着BP网络训练不断变化。（2）增加动量项。该方法是从前一次的权值调整量中取出一部分叠加到本次权值调整量中。动量项反应了以前积累的调整经验，对于t时刻的调整起阻尼作用。

△W(t)=ηδX+α△W(t−1)课堂讨论2、常用的深度学习方法有哪些？参考：（1）深度神经网络模型（DNN），多隐含层神经网络模型（2）卷积神经网络模型（CNN），多用于图像分类（3）循环神经网络模型（RNN）课堂讨论3、三层BP神经网络求解鸢尾花分类问题步骤。参考：（1）数据集处理，把3种花的类别分别置换为0、1、2；（2）输入层4个神经元，输出层3个神经元（三分类问题）输出可以用（1,0,0）（0,1,0）（0,0,1）表示不同类别。（3）输入数据归一化处理，数据集切分等预处理；（4）训练过程（5）测试过程（注意分类问题的评价指标不同，准确率和召回率等）课堂实践答疑解惑课后实践-AI场馆，志愿者与运动员“面对面”课后研