[最佳0.11353! @a1041134926,奖励详见2楼,分数持续更新中] 实战Kaggle比赛:房价预测 讨论区


#187

对的,不过最后一行应该是rmse_log,因为是对log scale上求rmse


#188

有个问题想请教一下
试了一下对HousePrice取对数:
train['SalePrice'] = np.log(train['SalePrice'])

在get_rmse_log中改了一下:

def get_rmse_log(net, X_train, y_train): 
  num_train = X_train.shape[0]  
  y_pre = net(X_train)
    rmse_log = np.sqrt(2 * nd.sum(square_loss(
        y_pre, y_train )).asscalar() / num_train)
    return rmse_log

最后输出的时候也把y_log用np.exp()变换了回来
test['SalePrice'] = np.exp(test['SalePrice'])

但是在submiss.csv文件里我看到的SalePrice只有四位数啊…
源数据基本都在六位数左右, 不知道哪里出了问题.


#189


#190


越调越回去了


#191


去掉了dropout,epochs设置的早停,最后0.11835


#192


#193


迟来的刷题。。。刚刚开始跟上节奏。感觉运气不错。


#194

运气比较好,第一次提交就突破0.12了。噢耶


#195

为什么我第二次上传文件的时候就上传不上去了,报Failed,Evaluation Exception: RMSLE requires values greater or equal to zero.?


#196

应该是有些房价预测出了负数


#197

应该是训练的时候出现了过拟合吧?
为什么它测试的精度比我自己的test_accuracy 要低一些?


#198


进步一点点!!


#199

调了好久,加了relu和0.2的丢弃,调了0.8的学习率,最后成绩0.131就找不到办法上去了。


#200

还有数据的处理也看不太懂额,正在死磕。。。


#201


#203

对的!厉害了!


#204

目前最佳成绩:11.569

使用net:
gluon.nn.Dense(1024, activation=‘relu’)
gluon.nn.Dropout(0.5)
gluon.nn.Dense(1)

参数设置:
k = 5
epochs = 50
verbose_epoch = 45
learning_rate = 0.05
weight_decay = 170


#205

能说下你的思路吗?为什么这样调呢?我感觉我调参没什么思路,谢谢


#206

请问你们能出一次调参教学课程么?虽然学了很久,但是我感觉我还是没什么调参的方向


#207

有人用两层layer来预测吗,为啥两层很容易train坏