手机价格预测实战：从特征工程到Keras回归模型

前些天我整理手头的 Python 项目时，翻出一个练手价值拉满的案例：手机价格预测。说它典型，是因为手机价格和硬件参数高度相关，内存、存储、电池、摄像头这些字段清清楚楚地躺在表格里，而这类结构化数据正好是前馈神经网络的强项。这篇博客不聊虚的，直接把整个案例从数据准备、特征工程到模型训练、评估、踩坑排查完整走一遍。适合刚学完神经网络基础但没写过完整项目的人，也适合想用 Keras 做价格回归的读者。代码全部可以直接跑，数据源换成你自己手里的商品价格表也完全没问题。

1. 案例定位与整体思路

1.1 先想清楚：你是在做回归，还是在做分类

手机价格预测听起来只有一句话，但落笔写代码前必须先明确任务类型。因为“价格预测”在真实业务里有两个完全不同的形态：一是预测具体价格，比如这台手机卖 3280 元还是 3350 元，这是回归任务；二是预测价格区间，比如低端、中端、高端、旗舰，这是分类任务。很多项目一开始不区分这个问题，后面损失函数、输出层结构、评估指标全都会跟着错。

我这里用回归作为主线，因为回归输出更直观，能直接算出“平均差多少钱”，对业务解释更友好。回归任务在神经网络里的配置要点是：输出层只用 1 个神经元，且不使用激活函数；损失函数用均方误差 MSE 或平均绝对误差 MAE。如果改成分类，只需要把输出层改成 4 个神经元加 Softmax，损失函数换成交叉熵，其余流程几乎可以复用。先确定任务边界，后面所有代码才有一个清晰骨架。

1.2 为什么选前馈神经网络而不是 CNN 或 LSTM

很多人一听到神经网络就想到卷积神经网络 CNN 或者 LSTM，其实这两个模型在这个场景里都属于“杀鸡用牛刀”。CNN 擅长处理图像这类具有空间结构的数据，LSTM 擅长处理时间序列这类有先后顺序的数据，而手机价格预测的输入是 RAM、电池、像素、屏幕尺寸这类相互独立的表格字段。字段之间没有网格关系，也没有时序依赖，强行用 CNN 或 LSTM 反而会把简单问题复杂化。

前馈神经网络，也叫多层感知机，是最适配这种结构化表格数据的神经网络结构。信息从输入层进入，经过一个或多个隐藏层逐层向前传递，最后从输出层出来。每一层做的本质上是对输入做加权求和、加偏置、再过激活函数。多个隐藏层堆叠起来，就能拟合价格与参数之间那种不是简单线性关系的复杂映射。手机价格和参数之间确实存在一些交互效应，比如大内存和高端芯片同时出现时价格会跳跃式上升，这种非线性关系用线性回归很难表达，而一个两到三层的前馈网络已经足够捕捉。

1.3 对整个工作流的预期管理

需要提前说清楚：这个案例的目标不是“训练出一个上市可用的价格模型”，而是把神经网络在结构化数据上的标准工作流完整跑通。数据准备、特征工程、模型构建、训练监控、指标评估、过拟合排查，每一步都有值得注意的细节。根据我自己的经验，整个流程里最容易翻车的往往不是模型结构，而是数据泄漏和归一化时机错误。这些坑后面会专门展开。

另外，如果你的数据量只有几百条，神经网络未必比 XGBoost 或者线性回归更强。我的建议是不管最终选什么模型，都先用一个简单模型把预测结果做出来作为基准，再上神经网络。如果神经网络连基准都打不过，通常是数据处理出了问题，而不是模型能力不够。

2. 数据准备与特征工程

2.1 数据长什么样，先看再干

我先用 pandas 把数据读进来，不管数据来自公开数据集、爬虫还是厂商报价表，第一步永远是看数据的基本情况。建议列字段至少包含这几类：ram_gb（运行内存）、internal_storage（机身存储）、battery_mah（电池容量）、camera_mp（后置摄像头像素）、screen_size（屏幕尺寸）、weight_g（重量）、price（价格）。

import pandas as pd import numpy as np df = pd.read_csv('phone_price_dataset.csv') print('数据集形状:', df.shape) print(df.info()) print(df.describe()) print('缺失值统计:') print(df.isnull().sum())

这段代码会依次告诉我：总共有多少行多少列、每列的数据类型和非空数量、各数值字段的统计分布、哪些列存在缺失值。很多人拿到数据就急着敲神经网络，结果跑着跑着因为空值报错，或者因为某列是字符串类型而直接崩掉。先做这一步，后面省很多事。

如果是手头没有现成数据、只想把流程跑通的情况，也可以用下面这种方式生成一份模拟数据。价格按一个外加噪声的线性公式生成，这样数据规律明确，适合验证代码正确性：

np.random.seed(42) n = 1000 df = pd.DataFrame({ 'ram_gb': np.random.randint(2, 16, n), 'internal_storage': np.random.choice([64, 128, 256, 512], n), 'battery_mah': np.random.randint(1500, 6000, n), 'camera_mp': np.random.randint(8, 200, n), 'screen_size': np.random.uniform(5.0, 7.0, n), 'weight_g': np.random.randint(140, 260, n) }) df['price'] = ( 1800 + df['ram_gb'] * 250 + df['internal_storage'] * 8 + df['camera_mp'] * 10 + df['screen_size'] * 80 + df['weight_g'] * 2 + np.random.normal(0, 300, n) ).clip(1000, 12000) df.to_csv('phone_price_demo.csv', index=False)

这里特别提醒：模拟数据只适合验证工程链路，不适合得出任何“预测精度”结论。真实项目里模型效果取决于真实数据的质量和特征丰富程度，模拟数据因为规律几乎全被公式定义，神经网络很容易学到，但这并不能代表真实场景的预测效果。

2.2 特征筛选和相关性粗看

数据读进来之后，下一步不是直接丢给模型，而是先观察各特征和价格的关系。最直接的方式是计算相关系数矩阵，把价格这一列和所有特征的相关系数排个序。

import matplotlib.pyplot as plt import seaborn as sns print(df.corr()['price'].sort_values(ascending=False)) plt.figure(figsize=(10, 8)) sns.heatmap(df.corr(), annot=True, cmap='coolwarm', fmt='.2f') plt.tight_layout() plt.show()

相关系数能帮助我们判断哪些特征是强相关变量。在手机价格场景里，RAM、存储、后摄像素通常和价格正相关，重量有时是负相关。如果某些特征和价格相关系数几乎为零，可以适当考虑剔除，减少模型噪声。但要注意，相关性系数衡量的只是线性关系，神经网络擅长找非线性关系，所以不能只看相关系数低就一刀切删掉，结合特征含义判断更重要。

如果数据里有品牌、是否支持 5G、机身颜色这类类别特征，直接喂给神经网络是行不通的，需要先做 One-Hot 编码。pandas 的get_dummies就能搞定：

df = pd.get_dummies(df, columns=['brand', 'is_5g'], drop_first=True)

2.3 划分数据集和归一化，顺序千万别搞错

这是全流程里我见过翻车最频繁的地方，没有之一。正确的顺序是：先划分训练集和测试集，再在训练集上做归一化拟合，最后用同一个拟合好的缩放器去变换测试集。很多初学者图省事，先对整个数据集做归一化，然后再划分，这会让测试集的信息提前泄露到训练过程里，最终评估结果虚高，模型上线后预测一塌糊涂。

from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler X = df.drop('price', axis=1) y = df['price'].values X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) x_scaler = MinMaxScaler() X_train_scaled = x_scaler.fit_transform(X_train) X_test_scaled = x_scaler.transform(X_test) y_scaler = MinMaxScaler() y_train_scaled = y_scaler.fit_transform(y_train.reshape(-1, 1)) y_test_scaled = y_scaler.transform(y_test.reshape(-1, 1))

为什么价格也需要归一化？因为回归任务的输出层不接激活函数，输出值就是网络算出来的实数。如果真实价格在四五千块甚至上万块，目标值非常大，反向传播时梯度也可能非常大，训练会变得不稳定。把价格缩放到 0 到 1 之间，模型只需要预测一个小范围的数，训练更平滑。最后拿到预测结果时再用inverse_transform还原成真实价格。

这里要补一个新手容易遗漏的细节：MinMaxScaler不能用全局变量y来拟合，必须用y_train。先分割、后拟合，这个原则对所有预处理都适用，包括缺失值填充、异常值处理、PCA 降维。

3. 用 Keras 搭建前馈神经网络并完成训练

3.1 搭一个三层全连接网络

Keras 是 TensorFlow 的高层 API，用来快速搭建前馈神经网络非常合适。我这里的网络结构很简单：输入层之后接两个隐藏层，最后接一个输出层。输入层的维度不用手动指定为具体数字，写成X_train.shape[1]会自动读取特征数量。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.optimizers import Adam model = Sequential() model.add(Dense(64, activation='relu', input_shape=(X_train_scaled.shape[1],))) model.add(Dense(32, activation='relu')) model.add(Dense(1)) model.summary()

隐藏层激活函数选 ReLU 而不是 Sigmoid，是因为 ReLU 在深层网络里能有效缓解梯度消失，训练收敛更快。输出层不加激活函数，意味着输出任意实数，这是回归任务的标准写法。如果把输出层误加上了 ReLU，那模型永远预测不了负值；如果加上 Sigmoid，输出会被限制在 0 到 1 之间，不反归一化的话就成了一个“假价格”。

一个实用的建议是从小网络试起。很多人上来就堆五层、每层 128 个神经元，其实对这个量级的数据完全没必要。手机价格预测的特征通常不超过 20 个，两层隐藏层已经足够表达大部分非线性关系。网络越大，越容易过拟合，训练时间也越长，并不能直接带来精度提升。

3.2 编译、训练与早停

编译阶段需要指定损失函数、优化器和评估指标。回归任务我习惯用mse作为损失函数，同时把mae作为监控指标，因为平均绝对误差的单位和价格一致，更容易理解模型大概差了多少钱。

model.compile(optimizer=Adam(learning_rate=0.001), loss='mse', metrics=['mae']) history = model.fit( X_train_scaled, y_train_scaled, validation_split=0.2, epochs=200, batch_size=32, verbose=1 )

训练时我会在训练集里再切出 20% 作为验证集，用来观察模型是否过拟合。epochs设到 200，但实际不一定跑满，可以配合 EarlyStopping 在验证集损失不再下降时自动停止，同时恢复最优权重。这样既防止过拟合，也不必一遍遍手动调整 epoch 数量。

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint early_stop = EarlyStopping( monitor='val_loss', patience=30, restore_best_weights=True ) checkpoint = ModelCheckpoint( 'phone_price_best.keras', monitor='val_loss', save_best_only=True ) history = model.fit( X_train_scaled, y_train_scaled, validation_split=0.2, epochs=200, batch_size=32, callbacks=[early_stop, checkpoint], verbose=1 )

EarlyStopping 的patience=30表示连续 30 轮损失不再下降就停止。这个参数需要根据训练稳定性来调，数据量小或者学习率低的时候，损失可能偶尔波动，patience 太小会提前停止，模型还没收敛；patience 太大会拖长训练时间。一般我先设 20 到 50，看情况微调。

3.3 训练曲线怎么看

训练结束后，第一时间把损失曲线画出来。这段代码我会原样保留在每次训练之后，因为曲线能告诉我模型状态是否健康。

plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label='train_loss') plt.plot(history.history['val_loss'], label='val_loss') plt.xlabel('epoch') plt.ylabel('loss') plt.legend() plt.title('Loss Curve') plt.subplot(1, 2, 2) plt.plot(history.history['mae'], label='train_mae') plt.plot(history.history['val_mae'], label='val_mae') plt.xlabel('epoch') plt.ylabel('MAE') plt.legend() plt.title('MAE Curve') plt.tight_layout() plt.show()

看图的时候，我的判断逻辑是这样的：训练损失和验证损失一起稳定下降，说明网络学习正常；训练损失降得很低，验证损失先降后反弹，说明过拟合，需要减少网络容量，加 dropout 或早停；两条曲线都几乎不下降，说明学习率太小，网络可能欠拟合；loss 动不动跳到 NaN，绝大多数是学习率太大或者输入数据里有 NaN。

回归任务里没有理由追求loss=0，因为手机价格本身存在噪声，同一配置在不同渠道、不同时间的售价本来就不同。模型能把大部分价格趋势学出来，验证损失不再下降，就已经达到目的。

3.4 模型保存与加载

好不容易训完模型，当然不能每次预测都重新训练一遍。Keras 提供了完整的模型保存和加载接口：

model.save('phone_price_model.keras') from tensorflow.keras.models import load_model loaded_model = load_model('phone_price_model.keras')

保存的时候建议用.keras这种新格式，它会把模型结构、权重、优化器状态和编译信息都保存下来。加载之后可以直接用loaded_model.predict()做推理。如果是部署到后端接口，可以接着把它转成 TensorFlow Lite，减小体积、加速推理。

4. 模型评估与超参数调优

4.1 回归指标不只 trừ看 loss

模型训练完之后，必须在没参与训练的测试集上评估。由于前面把价格做了 0-1 归一化，预测结果需要先反归一化，再计算指标，这样输出的误差才是“元”这个单位，看着更直观。

from sklearn.metrics import ( mean_absolute_error, mean_squared_error, r2_score ) y_pred_scaled = model.predict(X_test_scaled) y_pred = y_scaler.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel() mae = mean_absolute_error(y_test, y_pred) mse = mean_squared_error(y_test, y_pred) rmse = np.sqrt(mse) r2 = r2_score(y_test, y_pred) print(f'MAE: {mae:.2f}') print(f'RMSE: {rmse:.2f}') print(f'R2: {r2:.4f}')

这几个指标各有用途，我整理成一张表方便对照：

举个例子，如果测试集上 MAE 是 380 元，说明模型平均下来预测价格和真实价格差 380 元。对于价格范围在两三千到一万二的手机数据，这个误差是可以接受的。如果 RMSE 远大于 MAE，比如 MAE 400、RMSE 900，就要小心模型是不是在某些样本上预测结果特别离谱，这些样本往往是配置极端或价格异常的手机。

同时画一张真实价格和预测价格的散点图，可以直观看出模型在什么价位段表现好、什么价位段偏差大。

plt.figure(figsize=(6, 6)) plt.scatter(y_test, y_pred, alpha=0.5) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', linewidth=2) plt.xlabel('Real Price') plt.ylabel('Predicted Price') plt.tight_layout() plt.show()

如果散点图上的点都贴着对角线，说明预测很准确；如果低价段贴着对角线、高价段散开，说明模型对高价机的预测偏差更大。这个信息对后续特征优化很有价值。

4.2 超参数调优的主要方向

神经网络最让人头疼的地方就是超参数多，但在这个案例里真正需要关注的只有几项：隐藏层神经元数量、学习率、batch size、训练轮数。

先说我常用的起点：隐藏层从64-32开始；学习率从0.001开始；batch size 从32开始。跑完看验证损失，再逐个调整。一次只改一个参数，记录每组的结果，否则最后出了问题根本不知道是谁造成的。

调参时可以在代码里套一个简单循环，比如测试不同的神经元数量组合：

results = [] for units in [(32, 16), (64, 32), (128, 64)]: model = Sequential() model.add(Dense(units[0], activation='relu', input_shape=(X_train_scaled.shape[1],))) model.add(Dense(units[1], activation='relu')) model.add(Dense(1)) model.compile(optimizer=Adam(learning_rate=0.001), loss='mse', metrics=['mae']) history = model.fit( X_train_scaled, y_train_scaled, validation_split=0.2, epochs=100, batch_size=32, verbose=0 ) val_mae = min(history.history['val_mae']) results.append((units, val_mae)) print(results)

用验证集上的 MAE 作为选择依据，不要用训练集 MAE，否则一定会选到过拟合最严重的那组。

学习率对训练行为的影响最大。学习率太大，损失会震荡甚至爆炸；学习率太小，训练半天都走不动。Adam 优化器虽然自带自适应学习率，但初始学习率仍然关键。我的经验是0.001适合大多数场景，如果训练不收敛就降到0.0001，如果收敛慢就升到0.01，但 0.01 以上对这个小网络就很少用了。

4.3 防过拟合的几件常用家具

手机价格数据量不大，过拟合是一个真实风险。除了早停，还有几个常用手段。

Dropout 层会在训练时随机丢弃部分神经元的输出，让网络不能过度依赖某几个特征。在前馈网络里，我会在隐藏层之间加 Dropout(0.2 到 0.3)，测试时网络会使用全部神经元，预测不会受影响。

BatchNormalization 是我比较喜欢加的层，它能把每一层的输入拉回稳定分布，训练收敛更快，很多时候能把学习率调大一点。加在 Dense 层和激活函数之间是常见操作：

from tensorflow.keras.layers import Dropout, BatchNormalization model = Sequential() model.add(Dense(64, input_shape=(X_train_scaled.shape[1],))) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(Dropout(0.2)) model.add(Dense(32)) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(Dropout(0.2)) model.add(Dense(1))

注意激活函数的位置：BatchNormalization 一般放在线性变换之后、激活函数之前。很多人习惯写成Dense -> ReLU -> BN，效果可能会打折扣。这个细节我会在踩坑部分再说。

另一个通用原则是数据量太少时不要盲目加深网络。几百条数据配一个两层网络都容易过拟合，三层以上大概率白搭。先把基准模型调好，再逐步增加容量。

5. 实际踩坑记录与排查建议

5.1 数据泄漏：最容易翻车的“好成绩”

我自己早期踩过最狠的坑就是数据泄漏。有一次我拿到一份数据，里面已经有一列“价格区间”，为了省事就直接把它当成特征丢进模型，结果训练时 R² 高达 0.98，测试集也好看得不像话。上线后发现预测一塌糊涂，复盘才发现问题：价格区间本质上是根据价格划分出来的标签信息，把“结果”当“特征”，等于考试前先看答案。

同类问题还有两种常见表现。第一种是先对整个数据集做归一化再划分训练集，测试集的统计信息被训练集“看到”，导致验证成绩虚高。第二种是删除异常值时看了全数据集分布后才决定范围，也算一种信息泄漏。所有涉及统计计算的操作，都应该只基于训练集做，测试集只能被变换、不能参与计算。

5.2 归一化目标值后忘记反变换

这个问题出现的频率非常高。训练时把价格y用 MinMaxScaler 缩放到 0-1，预测出来是一个零点几的小数。如果不做inverse_transform，直接拿这个小数和真实价格对比，MAE 会变成几百块，模型看起来像是完全没用。

我见过有人在这个问题上卡了很久，甚至怀疑网络结构有问题，其实只需要一行代码：

y_pred = y_scaler.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel()

一个容易混淆的细节是：训练时fit_transform作用在y_train上，预测时的transform作用在新输入X_new上，反变换时作用在模型的输出y_pred_scaled上。这四步里的缩放器对象必须保持一致，不能重新 fit。

5.3 训练不收敛、NaN 或曲线横着走

训练过程中如果出现loss: nan，先别急着调网络结构，按顺序排查这几个原因：数据里是否有 NaN 或无穷值；学习率是否过大；是否忘了归一化；特征列是否混入字符串没有编码。我遇到的 NaN 绝大多数是学习率太大，把学习率从 0.01 降到 0.001 后问题立刻消失。

如果损失曲线像一条横线，长期不下降，除了学习率太小外，还有一种可能是 ReLU 的死亡单元问题，也就是很多神经元输出恒为 0，梯度传不回去。遇到这种情况我会检查 Dense 层的初始化和学习率，也可以尝试换成 LeakyReLU。

如果训练损失降得很好，验证损失却越走越高，这是明确的过拟合信号。优先做法是加 EarlyStopping，再考虑调小网络或者加 Dropout。不要一上来就加数据，很多人手里根本没有额外数据可加。

5.4 小数据量场景下的模型选择

如果经过各种调参后神经网络仍然打不过一个简单的 XGBoost，请先别怀疑自己的代码。神经网络的强项是需要大量数据支撑的复杂模式，几百条样本时它的优势发挥不出来，反而因为超参数多、训练不稳定而吃亏。

我有一个习惯：先跑一个线性回归或随机森林作为基准，记录测试集 MAE，再上神经网络。如果神经网络在相同数据上的 MAE 明显低于基准，说明网络确实学到了非线性关系；如果两者差不多，甚至神经网络更差，那就要回头看数据质量、预处理和超参数，而不是继续堆层数。

从工程效率角度说，这个手机价格预测案例最适合的定位是学习工具，而不是生产级部署方案。真正做价格预测系统时，我会把 XGBoost、LightGBM 和神经网络各自训练，线上根据准确率和推理延迟做付费选择。

最后再分享一个小技巧：我折腾完这类项目后，会把每个版本的模型、数据和指标记录成一张表格，比如“版本 1：归一化前划分，MAE 430；版本 2：正确归一化，MAE 380；版本 3：加早停，MAE 360”。这样做的好处是，隔几天再回头看时，能直接判断哪些调整真正起到了作用，而不是凭感觉说“好像效果好了一点”。这种记录习惯，比任何花哨的调参技巧都更能保证项目质量。对手机价格预测案例来说，训练一个“完美模型”不是终点，把整个数据处理链路和调试思路练到肌肉记忆，才是真正值钱的部分。