【Deep learning】Build model dự đoán giá nhà sử dụng mạng ANN (Artificial Neural Network)

 Bài tập dự đoán giá nhà dựa vào các thông tin như số phòng vị trí ... sử dụng bộ data MELBOURNE_HOUSE_PRICES_LESS.csv

#Mount colab với google drive và import các thư viện 

from google.colab import drive

drive.mount('/content/drive/')

%cd '/content/drive/MyDrive/PROJECT_DL/NguyenDangChinh/Dataset/'

import warnings

warnings.filterwarnings('ignore')

import tensorflow as tf

from tensorflow import keras

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.model_selection import KFold

from sklearn.pipeline import Pipeline

from sklearn.preprocessing import MinMaxScaler

from tensorflow.keras import Sequential

from tensorflow.keras.layers import Dense

from tensorflow.keras.wrappers.scikit_learn import KerasRegressor

#Load dataset được bố trí tại google drive của bạn

#Tiền xử lý data

dataset=pd.read_csv("MELBOURNE_HOUSE_PRICES_LESS.csv")

dataset.head()

#Kiểm tra xóa bỏ data null

dataset = dataset.dropna()

dataset.isnull().sum()

Suburb 0 Address 0 Rooms 0 Type 0 Price 0 Method 0 SellerG 0 Date 0 Postcode 0 Regionname 0 Propertycount 0 Distance 0 CouncilArea 0 dtype: int64

CodeText

# Data Input trừ cột giá nhà ra

X = dataset.drop(columns=['Price'], axis = 1)

# Output

# Cột giá nhà

y = dataset[['Price']]

# Dùng LabelEncoder để chuyển chuổi sang kiểu Encoder

from sklearn import model_selection, preprocessing

for c in X.columns:

    if X[c].dtype == 'object':

        lbl = preprocessing.LabelEncoder()

        lbl.fit(list(X[c].values)) 

        X[c] = lbl.transform(list(X[c].values))

# Split data train và data test

from sklearn.preprocessing import MinMaxScaler

from sklearn.preprocessing import StandardScaler

sc = StandardScaler()

sc.fit(X)

X_train = sc.transform(X)

X_train, X_test, y_train, y_test = train_test_split(X_train, y_train,

test_size = 0.2,

random_state = 0)

# Buil model ANN

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Input, Dense, Activation, Dropout

from tensorflow.keras.optimizers import Adam

from tensorflow.keras.callbacks import EarlyStopping

# Khi loss và valloos ko thay đổi trong 10 lần loop thì ngưng lặp

early_stopping_monitor = EarlyStopping(patience=10)

model = Sequential()

model.add(Dense(6,activation='relu',input_shape=(12,)))

model.add(Dense(1, activation='relu'))

model.compile(optimizer="Adam", loss='mse')

# Fit model

history = model.fit(X_train, y_train, epochs=150,

batch_size=32,

verbose=1,

validation_data=(X_test, y_test),

callbacks=[early_stopping_monitor])

poch 1/150 1576/1576 [==============================] - 58s 2ms/step - loss: 0.0252 - val_loss: 0.0100 Epoch 2/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0099 - val_loss: 0.0099 Epoch 3/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0095 - val_loss: 0.0087 Epoch 4/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0058 - val_loss: 0.0028 Epoch 5/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0022 - val_loss: 0.0020 Epoch 6/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0020 - val_loss: 0.0019 Epoch 7/150 1576/1576 [==============================] - 2s 1ms/step - loss: 0.0019 - val_loss: 0.0018 Epoch 8/150

# Vẽ biểu đồ loss và val_loss

plt.figure(figsize=(10, 6))

plt.plot(history.history['loss'], label='loss')

plt.plot(history.history['val_loss'], label='val_loss')

plt.legend()

<matplotlib.legend.Legend at 0x7f1bb5e392d0>

# Tạo hình các lớp model

from tensorflow.keras.utils import plot_model

from IPython.display import Image

plot_model(model, to_file='Exa1_ANN_model.png', show_shapes=True)

Image(filename='Exa1_ANN_model.png')

# Lưu kết quả model

from tensorflow.keras.models import load_model

model.save('Exa1_ANN_model.h5')

print('Model is saved')

# Load model và truyền feature dự đoán giá

from tensorflow.keras.models import load_model

model_load = load_model('Exa1_ANN_model.h5')

import pandas as pd

df = dataset.head(1).drop(columns=['Price'], axis = 1)

for c in df.columns:

    if df[c].dtype == 'object':

        lbl = preprocessing.LabelEncoder()

        lbl.fit(list(df[c].values)) 

        df[c] = lbl.transform(list(df[c].values))                               

X_new = scaler_x.fit_transform(df)

ynew=model.predict(X_new)

y_new = scaler_y.inverse_transform(ynew)

print("Imput=%s, Giá dự đoán =%s $" % ( dataset.head(1), y_new[0]))

Imput= Suburb Address ... Distance CouncilArea 0 Abbotsford 49 Lithgow St ... 3.0 Yarra City Council [1 rows x 13 columns],Giá dự đoán =[981233.6] $