回归实战详细代码+解析：预测新冠感染人数

回归实战：预测新冠感染人数

先回顾下回归是个啥玩意

1. 首先需要一组训练集，说人话就是通过一系列x[x1,x2...xn]通过神秘计算得到y的过程，当然人和机器现在都不知道什么计算是什么，这是一个黑箱。

• 黑箱比喻：把模型想象成自动售货机，投币（输入特征x）→ 内部神秘机制（模型计算）→ 吐出饮料（预测值y^）。
• 核心任务：通过不断调整内部零件（参数w），让售货机吐出的饮料尽可能接近真实需求（真实值y）。

1. 然后我们先随机的选定一系列参数，然后把参数和x带入神秘公式，计算出预测值y^

2. 将y^与实际的y进行计算，得到误差loss，预测y^与实际y相聚越远，loss显然越大，所以我们可以通过loss来评价一个模型的好坏

3. 光知道这模型不准还没用，我们需要让预测值越来越接近，具体来说，就要使用梯度下降来将误差反馈给参数w

   for example:

   ​ w = w - d(loss)/d(w) * lr

4. 在这循环往复的过程中，实现了机器的自主学习（额额。。参数不调好，也会越学越垃圾的，就像人学新知识也常常伴随踩雷和反复）

训练过程

1. 随机初始化：给售货机随便装一堆零件（随机初始参数w）
2. 预测试错：投币测试，记录误差（计算预测y^与真实y的Loss）
3. 梯度下降：根据误差反向调整零件（w = w - 梯度×学习率）
4. 循环迭代：重复投币→调整→测试，直到误差最小

---

实战代码主要部分解析

样例所属的项目kaggle地址

import time

import matplotlib.pyplot as plt
import torch
import numpy as np
import csv
import pandas as pd
from sklearn.feature_selection import SelectKBest, chi2
from torch.utils.data import DataLoader, Dataset
import torch.nn as nn
from torch import optim

def get_feature_importance(feature_data, label_data, k =4,column = None):
    """
    特征重要性选择函数
    Parameters:
        feature_data : 特征数据矩阵
        label_data   : 对应标签数据
        k           : 选择的最佳特征数量
        column      : 特征名称列表（可选）
    Returns:
        X_new       : 选择后的特征数据
        indices     : 被选特征的列索引
    """
    # 使用卡方检验选择特征
    model = SelectKBest(chi2, k=k)      #定义一个选择k个最佳特征的函数
    feature_data = np.array(feature_data, dtype=np.float64)	# 确保数据类型为float64以满足sklearn要求
    # label_data = np.array(label_data, dtype=np.float64)
    X_new = model.fit_transform(feature_data, label_data)   #用这个函数选择k个最佳特征
    #feature_data是特征数据，label_data是标签数据，该函数可以选择出k个特征
    print('x_new', X_new)
    scores = model.scores_                # scores即每一列与结果的相关性
    # 按重要性排序，选出最重要的 k 个
    indices = np.argsort(scores)[::-1]        #[::-1]表示反转一个列表或者矩阵。
    # argsort这个函数， 可以矩阵排序后的下标。 比如 indices[0]表示的是，scores中最小值的下标。

    if column:                            # 如果需要打印选中的列
        k_best_features = [column[i+1] for i in indices[0:k].tolist()]         # 选中这些列 打印
        print('k best features are: ',k_best_features)
    return X_new, indices[0:k]                  # 返回选中列的特征和他们的下标。

"""COVID数据加载器"""
class CovidDataset(Dataset):
        """
        Parameters:
            file_path   : 数据文件路径
            mode       : 数据集模式（train/val/test）
            all_feature : 是否使用全部特征
            feature_dim : 选择特征维度
        """
    # 数据预处理：给模型喂"干净粮食"
    def __init__(self, file_path, mode="train", all_feature=False, feature_dim=6):
        with open(file_path, "r") as f:
            ori_data = list(csv.reader(f))
            column = ori_data[0]
            csv_data = np.array(ori_data[1:])[:, 1:].astype(float)

        feature = np.array(ori_data[1:])[:, 1:-1]
        label_data = np.array(ori_data[1:])[:, -1]
   
        if all_feature:
            col = np.array([i for i in range(0, 93)])
        else:
            _, col = get_feature_importance(feature, label_data, feature_dim, column)
        col = col.tolist()

        if mode == "train":  # 80%训练集
            indices = [i for i in range(len(csv_data)) if i % 5 != 0]
            data = torch.tensor(csv_data[indices, :-1])
            self.y = torch.tensor(csv_data[indices, -1])
        elif mode == "val":  # 20%验证集
            indices = [i for i in range(len(csv_data)) if i % 5 == 0]
            data = torch.tensor(csv_data[indices, :-1])
            self.y = torch.tensor(csv_data[indices, -1])
        else:  # test模式
            indices = [i for i in range(len(csv_data))]
            data = torch.tensor(csv_data[indices])

        #  数据标准化处理(将不同尺度的数据变为同一尺度)
        data = data[:, col]
        self.data = (data - data.mean(dim=0, keepdim=True)) / data.std(dim=0, keepdim=True)
        self.mode = mode

    """获取单条数据"""
    def __getitem__(self, idx):
        if self.mode != "test":
            return self.data[idx].float(), self.y[idx].float()
        else:
            return self.data[idx].float()

    def __len__(self):
        return len(self.data)


# 以上是数据装载部分

class MyModel(nn.Module):
    """自定义全连接神经网络"""
    def __init__(self, inDim):
        """
        Parameters:
            inDim : 输入特征维度
        """
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(inDim, 64)
        self.relu1 = nn.ReLU()
        self.fc2 = nn.Linear(64, 1)

    def forward(self, x):  # 模型前向过程
        """前向传播"""
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.fc2(x)

        if len(x.size()) > 1:
            return x.squeeze(1)

        return x


def train_val(model, train_loader, val_loader, device, epochs, optimizer, loss, save_path):
    """
    模型训练与验证函数
    Parameters:
        model       : 待训练模型
        train_loader: 训练数据加载器
        val_loader  : 验证数据加载器
        device     : 计算设备（CPU/GPU）
        epochs     : 训练轮数
        optimizer  : 优化器
        loss       : 损失函数
        save_path  : 模型保存路径
    """
    model = model.to(device)
    plt_train_loss = []  # 记录所有轮次的训练loss
    plt_val_loss = []  # 验证loss记录

    min_val_loss = 9999999999999999  # 最佳验证损失初始化
    for epoch in range(epochs):  # 开始训练
        train_loss = 0.0
        val_loss = 0.0
        start_time = time.time()

        model.train()  # 模型调整为训练模式
        for batch_x, batch_y in train_loader:
            x, target = batch_x.to(device), batch_y.to(device)
            pred = model(x)  # 前向传播
            train_bat_loss = loss(pred, target, model)
            train_bat_loss.backward() # 反向传播
            optimizer.step()  # 更新模型
            optimizer.zero_grad()
            train_loss += train_bat_loss.cpu().item()

        plt_train_loss.append(train_loss / train_loader.__len__())

        # 验证阶段
        model.eval()
        with torch.no_grad():
            for batch_x, batch_y in val_loader:
                x, target = batch_x.to(device), batch_y.to(device)
                pred = model(x)
                val_bat_loss = loss(pred, target, model)
                val_loss += val_bat_loss.cpu().item()
        plt_val_loss.append(val_loss / val_loader.__len__())
        # 保存最佳模型
        if val_loss < min_val_loss:
            torch.save(model, save_path)
            min_val_loss = val_loss

        print("[%03d/%03d] %2.2f sec(s) Trainloss: %.6f | Valloss: %.6f" % \
              (epoch, epochs, time.time() - start_time, plt_train_loss[-1], plt_val_loss[-1]))
    # 损失曲线可视化
    plt.plot(plt_train_loss)
    plt.plot(plt_val_loss)
    plt.title("loss")
    plt.legend(["train", "val"])
    plt.show()


def evaluate(save_path, test_loader, device, rel_path):  # 得出测试结果文件
    # 加载最佳模型
    model = torch.load(save_path).to(device)
    rel = []
    # 预测结果
    with torch.no_grad():
        for x in test_loader:
            pred = model(x.to(device))
            rel.append(pred.cpu().item())
    print(rel)
    # 保存CSV结果
    with open(rel_path, "w", newline='') as f:
        csvWriter = csv.writer(f)
        csvWriter.writerow(["id", "tested_positive"])
        for i, value in enumerate(rel):
            csvWriter.writerow([str(i), str(value)])
        print("文件已保存到{}".format(rel_path))

        
# 配置参数
all_feature = False  # 是否使用全部特征
feature_dim = 6  # 特征维度
if all_feature:
    feature_dim = 93
else:
    feature_dim = 6
    
config = {
    "lr": 0.001,	# 学习率
    "epochs": 20,	 # 训练轮数
    "momentum": 0.9,	# 动量系数
    "save_path": "model_save/best_model.pth",	# 模型保存路径
    "rel_path": "pred.csv"	# 预测结果路径
}

# 设备检测
device = "cuda" if torch.cuda.is_available() else "cpu"
print(device)

# 数据加载
train_file = "covid.train.csv"
test_file = "covid.test.csv"
train_dataset = CovidDataset(train_file, "train", all_feature, feature_dim)
val_dataset = CovidDataset(train_file, "val", all_feature, feature_dim)
test_dataset = CovidDataset(test_file, "test", all_feature, feature_dim)
# for data in train_dataset:
#     print(data)

# 创建数据加载器
batch_size = 16
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)  # 随机梯度下降
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=True)  # 随机梯度下降
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=False)  # 随机梯度下降
# for batch_x, batch_y in train_loader:
#     print(batch_x, batch_y)


def mseLoss_with_reg(pred, target, model):
    loss = nn.MSELoss(reduction='mean')
    ''' Calculate loss '''
    regularization_loss = 0                    # 正则项
    for param in model.parameters():
        # TODO: you may implement L1/L2 regularization here
        # 使用L2正则项
        # regularization_loss += torch.sum(abs(param))
        regularization_loss += torch.sum(param ** 2)                  # 计算所有参数平方
    return loss(pred, target) + 0.00075 * regularization_loss             # 返回损失。


model = MyModel(inDim=feature_dim).to(device)  # 向硬件挂载任务
# loss = nn.MSELoss()  # Loss函数
loss = mseLoss_with_reg
optimizer = optim.SGD(model.parameters(), lr=config["lr"], momentum=config["momentum"])  # 优化器

train_val(model, train_loader, val_loader, device, config["epochs"], optimizer, loss, config["save_path"])

evaluate(config["save_path"], test_loader, device, config["rel_path"])

1. 数据读取

其实对基本的模型来说，训练过程都是一样的，而最麻烦的是数据的输入，我们在输入过程中有时可以剔除部分不需要的数据，来更好的构建模型，但哪些重要哪些不重要，又是一个问题。。。

看看代码吧

def get_feature_importance(feature_data, label_data, k =4,column = None):
    """
    特征重要性选择函数
    Parameters:
        feature_data : 特征数据矩阵
        label_data   : 对应标签数据
        k           : 选择的最佳特征数量
        column      : 特征名称列表（可选）
    Returns:
        X_new       : 选择后的特征数据
        indices     : 被选特征的列索引
    """
    # 使用卡方检验选择特征
    model = SelectKBest(chi2, k=k)      #定义一个选择k个最佳特征的函数
    feature_data = np.array(feature_data, dtype=np.float64)	# 确保数据类型为float64以满足sklearn要求
    # label_data = np.array(label_data, dtype=np.float64)
    X_new = model.fit_transform(feature_data, label_data)   #用这个函数选择k个最佳特征
    #feature_data是特征数据，label_data是标签数据，该函数可以选择出k个特征
    print('x_new', X_new)
    scores = model.scores_                # scores即每一列与结果的相关性
    # 按重要性排序，选出最重要的 k 个
    indices = np.argsort(scores)[::-1]        #[::-1]表示反转一个列表或者矩阵。
    # argsort这个函数， 可以矩阵排序后的下标。 比如 indices[0]表示的是，scores中最小值的下标。

    if column:                            # 如果需要打印选中的列
        k_best_features = [column[i+1] for i in indices[0:k].tolist()]         # 选中这些列 打印
        print('k best features are: ',k_best_features)
    return X_new, indices[0:k]                  # 返回选中列的特征和他们的下标。

get_feature_importance()在所有的特征中 通过SelectKBest算法来找到K个影响最大的特征，借此排除无效计算

"""COVID数据加载器"""
class CovidDataset(Dataset):
        """
        Parameters:
            file_path   : 数据文件路径
            mode       : 数据集模式（train/val/test）
            all_feature : 是否使用全部特征
            feature_dim : 选择特征维度
        """
    # 数据预处理：给模型喂"干净粮食"
    def __init__(self, file_path, mode="train", all_feature=False, feature_dim=6):
        with open(file_path, "r") as f:
            ori_data = list(csv.reader(f))
            column = ori_data[0]
            csv_data = np.array(ori_data[1:])[:, 1:].astype(float)

        feature = np.array(ori_data[1:])[:, 1:-1]
        label_data = np.array(ori_data[1:])[:, -1]
   
        if all_feature:
            col = np.array([i for i in range(0, 93)])
        else:
            _, col = get_feature_importance(feature, label_data, feature_dim, column)
        col = col.tolist()

        if mode == "train":  # 80%训练集
            indices = [i for i in range(len(csv_data)) if i % 5 != 0]
            data = torch.tensor(csv_data[indices, :-1])
            self.y = torch.tensor(csv_data[indices, -1])
        elif mode == "val":  # 20%验证集
            indices = [i for i in range(len(csv_data)) if i % 5 == 0]
            data = torch.tensor(csv_data[indices, :-1])
            self.y = torch.tensor(csv_data[indices, -1])
        else:  # test模式
            indices = [i for i in range(len(csv_data))]
            data = torch.tensor(csv_data[indices])

        #  数据标准化处理(将不同尺度的数据变为同一尺度)
        data = data[:, col]
        self.data = (data - data.mean(dim=0, keepdim=True)) / data.std(dim=0, keepdim=True)
        self.mode = mode

    """获取单条数据"""
    def __getitem__(self, idx):
        if self.mode != "test":
            return self.data[idx].float(), self.y[idx].float()
        else:
            return self.data[idx].float()

    def __len__(self):
        return len(self.data)

CovidDataset类是数据装载需要用到的

• __init__函数对CovidDataset进行了初始化，将文件读入，并排除无用的行列之后，转化为张量的形式，同时根据训练的模式来选择传出全部数据还是部分关键数据，并且自动分割训练集和测试集。

说实话读数据的代码看着还不算难，但是自己写还真是一次写不出来。。

入门没有练度的时候，看这些东西都不知道为什么要设计这个环节

数据标准化：公平对待每个特征

• 为什么要做：身高（170cm）和体重（70kg）单位不同，直接比较会扭曲模型判断。
• 操作方法 ：对每个特征列，减去均值、除以标准差 → 数据服从标准正态分布（代码中的(data - data.mean)/datastd）。

2. 核心模型

class MyModel(nn.Module):
    """自定义全连接神经网络"""
    def __init__(self, inDim):
        """
        Parameters:
            inDim : 输入特征维度
        """
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(inDim, 64)
        self.relu1 = nn.ReLU()
        self.fc2 = nn.Linear(64, 1)

    def forward(self, x):  # 模型前向过程
        """前向传播"""
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.fc2(x)

        if len(x.size()) > 1:
            return x.squeeze(1)

        return x

这是模型本身的算法类，这里直接使用nn现成的算法，不用再自己造轮子了

使用了Linear来线性预测，ReLu作为激活函数

先从输入数据个参数，降到64个，最后直接降到1个，即输出本身

3. 训练模块

def train_val(model, train_loader, val_loader, device, epochs, optimizer, loss, save_path):
    """
    模型训练与验证函数
    Parameters:
        model       : 待训练模型
        train_loader: 训练数据加载器
        val_loader  : 验证数据加载器
        device     : 计算设备（CPU/GPU）
        epochs     : 训练轮数
        optimizer  : 优化器
        loss       : 损失函数
        save_path  : 模型保存路径
    """
    model = model.to(device)
    plt_train_loss = []  # 记录所有轮次的训练loss
    plt_val_loss = []  # 验证loss记录

    min_val_loss = 9999999999999999  # 最佳验证损失初始化
    for epoch in range(epochs):  # 开始训练
        train_loss = 0.0
        val_loss = 0.0
        start_time = time.time()

        model.train()  # 模型调整为训练模式
        for batch_x, batch_y in train_loader:
            x, target = batch_x.to(device), batch_y.to(device)
            pred = model(x)  # 前向传播
            train_bat_loss = loss(pred, target, model)
            train_bat_loss.backward() # 反向传播
            optimizer.step()  # 更新模型
            optimizer.zero_grad()
            train_loss += train_bat_loss.cpu().item()

        plt_train_loss.append(train_loss / train_loader.__len__())

        # 验证阶段
        model.eval()
        with torch.no_grad():
            for batch_x, batch_y in val_loader:
                x, target = batch_x.to(device), batch_y.to(device)
                pred = model(x)
                val_bat_loss = loss(pred, target, model)
                val_loss += val_bat_loss.cpu().item()
        plt_val_loss.append(val_loss / val_loader.__len__())
        # 保存最佳模型
        if val_loss < min_val_loss:
            torch.save(model, save_path)
            min_val_loss = val_loss

        print("[%03d/%03d] %2.2f sec(s) Trainloss: %.6f | Valloss: %.6f" % \
              (epoch, epochs, time.time() - start_time, plt_train_loss[-1], plt_val_loss[-1]))
    # 损失曲线可视化
    plt.plot(plt_train_loss)
    plt.plot(plt_val_loss)
    plt.title("loss")
    plt.legend(["train", "val"])
    plt.show()

4. 输出模型结果

def evaluate(save_path, test_loader, device, rel_path):  # 得出测试结果文件
    # 加载最佳模型
    model = torch.load(save_path).to(device)
    rel = []
    # 预测结果
    with torch.no_grad():
        for x in test_loader:
            pred = model(x.to(device))
            rel.append(pred.cpu().item())
    print(rel)
    # 保存CSV结果
    with open(rel_path, "w", newline='') as f:
        csvWriter = csv.writer(f)
        csvWriter.writerow(["id", "tested_positive"])
        for i, value in enumerate(rel):
            csvWriter.writerow([str(i), str(value)])
        print("文件已保存到{}".format(rel_path))

5. 优化：正则化 loss = loss+ W*W

def mseLoss_with_reg(pred, target, model):
    loss = nn.MSELoss(reduction='mean')
    ''' Calculate loss '''
    regularization_loss = 0                    # 正则项
    for param in model.parameters():
        # TODO: you may implement L1/L2 regularization here
        # 使用L2正则项
        # regularization_loss += torch.sum(abs(param))
        regularization_loss += torch.sum(param ** 2)                  # 计算所有参数平方
    return loss(pred, target) + 0.00075 * regularization_loss             # 返回损失。

我们如果直接使用MSELoss来计算loss,容易造成过拟合

这是因为MSE的计算公式loss(xi,yi)=(xi−yi)^2，如果出现了一个非常离谱的噪声y，就会产生巨大的loss，模型就会努力的扭曲函数，让他勾到这个奇怪的噪声点，造成曲线的失真

++相对而言的：++

通过正则化的MSE：loss = loss+ W*W，(W为参数)能使曲线更为平滑，能避免过拟合。

我们想想，模型的目标是追求更低的loss，如果模型为了去抓任性的噪声而随意地变更参数w，由于此时w对loss造成的影响是指数上升的，所以会抑制w的无端突变，从而达成平滑曲线的目的

---

避坑指南：新手常见错误

1. 特征未标准化 → 模型被大范围特征（如人口数）主导，忽视小范围特征（如温度）。
2. 忽略验证集 → 模型在训练集表现完美，实际预测一塌糊涂。
3. 学习率过大 → Loss剧烈震荡无法收敛（如下右）。

---

总结：回归实战四步曲

1. 数据预处理：清洗 → 特征选择 → 标准化（给模型喂干净数据）
2. 模型设计：输入层 → 隐藏层（+ReLU） → 输出层（搭积木式构建）
3. 训练调参：Loss监控 → 梯度下降 → 早停机制（防止过拟合，这里还没有写）
4. 结果分析：Loss曲线 → 正则化效果 → 模型推理测试