Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- from keras.datasets import boston_housing
- from sklearn.preprocessing import StandardScaler
- from keras import models, layers
- (X_train, y_train), (X_test, y_test) = boston_housing.load_data()
- print(X_train[0], y_train[0])
- scaler = StandardScaler()
- scaler.fit(X_train)
- X_train_scaled = scaler.transform(X_train)
- X_test_scaled = scaler.transform(X_test)
- print(X_train_scaled[0])
- model = models.Sequential()
- model.add(layers.Dense(15, activation='relu', input_shape=[X_train.shape[1]]))
- model.add(layers.Dropout(0.2, input_shape=(15,)))
- model.add(layers.Dense(30, activation='relu'))
- model.add(layers.Dropout(0.3, input_shape=(30,)))
- model.add(layers.Dense(1))
- model.compile(
- optimizer='adam',
- loss='mse',
- metrics=['mae']
- )
- model.fit(
- X_train_scaled,
- y_train,
- validation_split=0.2,
- epochs=100
- )
- model.evaluate(X_test_scaled, y_test)
- to_predict = X_test_scaled[:2]
- predictions = model.predict(to_predict)
- print("Предсказанная цена и фактическая")
- for i in range(2):
- print('%.2f$ vs %.2f$' %(predictions[i]*1000, y_test[i]*1000))
- import numpy as np
- imaginary_place = np.zeros((1,13))
- #Поле----Значение--Настоящее--Легенда------------------------------------------
- CRIM = 1.23247 # 1.23247 # уровень преступности на душу населения по городам
- ZN = 0.0 # 0.0 # доля земли под жилую застройку
- INDUS = 8.14 # 8.14 # доля акров, не относящихся к розничной торговле, на город
- CHAS = 0.0 # 0.0 # Фиктивная переменная реки Чарльз (= 1, если участок ограничивает реку; 0 в противном случае
- NOX = 0.538 # 0.538 # Концентрация оксидов азота NOX (частей на 10 миллионов)
- RM = 6.142 # 6.142 # среднее количество комнат в доме
- AGE = 91.7 # 91.7 # Доля домов, построенных до 1940 г., занимаемых владельцами
- DIS = 3.9769 # 3.9769 # расстояния до пяти бостонских центров занятости
- RAD = 4.0 # 4.0 # Индекс доступности радиальных автомобильных дорог
- TAX = 50.0 # 307.0 # Полная ставка налога на имущество за 10 000 долларов США
- PTRATIO = 21.0 # 21.0 # Соотношение учеников и учителей
- B = 396.9 # 396.9 # 1000(Bk - 0,63) ^ 2, где Bk - доля черных по городу (УПС БЛМ осуждает)
- LSTAT = 18.72 # 18.72 # более низкий статус населения (не понимаю..)
- #-------------------------------------------------------------------------------
- MEDV = "?" # Средняя стоимость дома в этом районе
- #imaginary_place[0] = [1.23247, 0.0, 8.14, 0.0, 0.538, 6.142, 91.7, 3.9769, 4.0, 307.0, 21.0, 396.9, 18.72]
- imaginary_place[0] = [CRIM, ZN , INDUS, CHAS, NOX, RM, AGE, DIS, RAD, TAX, PTRATIO, B, LSTAT]
- print(imaginary_place)
- scaler2 = StandardScaler()
- scaler2.fit(imaginary_place)
- imaginary_place_scaled = scaler.transform(imaginary_place)
- print(imaginary_place_scaled)
- imaginary_place_predictions = model.predict(imaginary_place_scaled)
- print('Дом в таком районе мог бы стоить = %.2f$' % (imaginary_place_predictions*1000))
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement