仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。
- **作业：**对之前的信贷项目，利用神经网络训练下，尝试用到目前的知识点让代码更加规范和美观。
python
import pandas as pd #用于数据处理和分析，可处理表格数据。
import numpy as np #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt #用于绘制各种类型的图表
import seaborn as sns #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
import warnings
warnings.filterwarnings("ignore")
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import time
from tqdm import tqdm # 导入tqdm库用于进度条显示
# 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
data = pd.read_csv('data.csv') #读取数据
# 设置GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")
# 先筛选字符串变量
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {
'Own Home': 1,
'Rent': 2,
'Have Mortgage': 3,
'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)
# Years in current job 标签编码
years_in_job_mapping = {
'< 1 year': 1,
'1 year': 2,
'2 years': 3,
'3 years': 4,
'4 years': 5,
'5 years': 6,
'6 years': 7,
'7 years': 8,
'8 years': 9,
'9 years': 10,
'10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)
# Purpose 独热编码，记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
for i in data.columns:
if i not in data2.columns:
list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:
data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名
# Term 0 - 1 映射
term_mapping = {
'Short Term': 0,
'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist() #把筛选出来的列名转换成列表
# 连续特征用中位数补全
for feature in continuous_features:
mode_value = data[feature].mode()[0] #获取该列的众数。
data[feature].fillna(mode_value, inplace=True) #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。
# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除
y = data['Credit Default'] # 标签
# 按照8:2划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 归一化数据
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
python
使用设备：cuda:0
python
X_train = torch.FloatTensor(X_train).to(device)
y_train = torch.LongTensor(y_train.values).to(device)
X_test = torch.FloatTensor(X_test).to(device)
y_test = torch.LongTensor(y_test.values).to(device)
batch_size = 64
train_dataset = torch.utils.data.TensorDataset(X_train, y_train)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
input_size=X_train.shape[1]
class MLP(nn.Module):
def __init__(self, input_size): # 添加input_size参数
super(MLP, self).__init__()
self.fc1 = nn.Linear(input_size, 64) # 输入维度为实际特征数
self.relu = nn.ReLU()
self.dropout = nn.Dropout(0.2) # 新增dropout层防止过拟合
self.fc2 = nn.Linear(64, 2) # 输出改为2个神经元（二分类问题）
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.dropout(out)
out = self.fc2(out)
return out
# 实例化模型
model = MLP(input_size=X_train.shape[1]).to(device)
# 分类问题使用交叉熵损失函数
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001) # 改为Adam优化器
criterion = nn.CrossEntropyLoss()
num_epochs = 20000
best_loss = float('inf')
patience = 5
min_delta = 0.001
counter = 0
# 添加记录列表
loss_history = []
epoch_list = []
start_time = time.time()
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:
for epoch in range(num_epochs):
model.train()
epoch_loss = 0.0
# 训练步骤
for inputs, labels in train_loader:
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
epoch_loss += loss.item() * inputs.size(0)
# 计算平均epoch损失
avg_loss = epoch_loss / len(train_loader.dataset)
loss_history.append(avg_loss)
epoch_list.append(epoch+1)
# 更新进度条
pbar.set_postfix({'Train Loss': f'{avg_loss:.4f}'})
pbar.update(1)
# 早停逻辑（基于训练损失）
if avg_loss < best_loss - min_delta:
best_loss = avg_loss
counter = 0
best_weights = model.state_dict().copy() # 保存最佳权重
else:
counter += 1
if counter >= patience:
print(f"\n早停触发！第 {epoch+1} 个epoch后停止")
break
# 加载最佳模型权重
model.load_state_dict(best_weights)
time_all = time.time() - start_time
print(f'训练时间: {time_all:.2f}秒')
# 可视化损失曲线
plt.figure(figsize=(10, 6))
plt.plot(epoch_list, loss_history)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.grid(True)
plt.show()
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度计算，可以提高模型推理速度
outputs = model(X_test) # 对测试数据进行前向传播，获得预测结果
_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和对应的索引
correct = (predicted == y_test).sum().item() # 计算预测正确的样本数
accuracy = correct / y_test.size(0)
print(f'测试集准确率: {accuracy * 100:.2f}%')
python
训练进度: 0%| | 29/20000 [00:04<46:17, 7.19epoch/s, Train Loss=0.4571]
早停触发！第 29 个epoch后停止
训练时间: 4.03秒
测试集准确率: 76.80%
训练在第 29 个 epoch 停止，因连续 5 个 epoch（patience=5）训练损失未显著下降（min_delta=0.001）。损失曲线显示前 5 epoch 快速收敛（从 0.62→0.48），后期缓慢下降，早停避免了冗余计算，符合小模型快速收敛的特性。
由于引入了早停机制，训练进度只有29/20000，考虑到训练时间可能过短，所以进行优化。尝试了增加网络深度、平衡类别权重、调整学习率、梯度裁剪、动态早停阈值、添加L2正则化等多种方法，但这些方法无一例外出现训练时间延长，准确率反而下降的问题。
这说明在深度学习中，并非所有优化技巧都适用于当前任务。当简单模型已表现良好时，过度复杂化（如增加深度、强正则）往往因适配性差导致性能下降。