说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

---

---

---

1.项目背景

LSTM网络是目前更加通用的循环神经网络结构，全称为Long Short-Term Memory，翻译成中文叫作“长‘短记忆’”网络。读的时候，“长”后面要稍作停顿，不要读成“长短”记忆网络，因为那样的话，就不知道记忆到底是长还是短。本质上，它还是短记忆网络，只是用某种方法把“短记忆”尽可能延长了一些。

本项目通过基于PyTorch实现循环神经网络回归模型。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：

 

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

 

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

 

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：

 

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。  

关键代码如下：

 

4.探索性数据分析

4.1 y变量直方图

用Matplotlib工具的hist()方法绘制直方图：

 

从上图可以看到，y变量主要集中在-400~400之间。

4.2 相关性分析

 

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建循环神经网络回归模型

主要使用LSTM回归算法，用于目标回归。

6.1 构建模型

 

7.模型评估

7.1 评估指标及结果

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

 

 从上表可以看出，R方0.9871，为模型效果良好。

关键代码如下：

 

7.2 真实值与预测值对比图

 

从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。   

8.结论与展望

综上所述，本文基于PyTorch实现循环神经网络回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

# 定义训练函数
def train(model, train_loader, criterion, optimizer, device):
    model.train()  # 设置训练模式

    for i, (inputs, labels) in enumerate(train_loader):  # 进行循环
        inputs, labels = inputs.to(device), labels.to(device)  # 输入数据、标签数据

        optimizer.zero_grad()  # 清空过往梯度



本次机器学习项目实战所需的资料，项目资源如下：

项目说明：
链接：https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码：bcbp



# y变量分布直方图
fig = plt.figure(figsize=(8, 5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df['y']  # 过滤出y变量的样本
# 绘制直方图  bins：控制直方图中的区间个数 auto为自动填充个数  color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')

---

更多项目实战，详见机器学习项目实战合集列表：

机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客

---