拓端tecdat|Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
原文链接:http://tecdat.cn/?p=23573
原文出处:拓端数据部落公众号
我们可以很容易地用Keras序列模型拟合回归数据并预测测试数据。 在这篇文章中,我们将简要地学习如何用Python中的Keras神经网络API拟合回归数据。我们将用Keras回归和序列模型本身这两种方法检查模型。该教程涵盖了以下内容。
- 准备数据
- 定义模型
- 用KerasRegressor进行拟合(准确度检查和结果的可视化)
- 用序列模型进行拟合(准确度检查和结果可视化)。
我们将从加载所需的模块开始。
-
-
from keras.models import Sequential
准备数据
首先,我们将为本教程创建一个回归数据集样本。
-
x_ax = range(N)
-
plt.plot(x_ax, x, 'o')
-
plt.plot(x_ax, y, lw=1.5, color=c)
-
plt.legend()
红线是y输出,其余的点是x输入的特征。
定义模型
接下来,我们将建立一个keras序列模型。
-
def Model():
-
model = Sequential()
-
model.add(Dense(128, input_dim=3,activation='relu'))
-
....
-
return model
-
-
Model()
用Keras回归模型拟合
我们将上述模型纳入Keras回归模型中,用x和y的数据拟合模型。然后,我们可以预测x数据。
-
regressor.fit(x,y)
-
regressor.predict(x)
我们检查平均平方误差率
mean_squared_error(y, y_pred)
最后,我们绘制结果。
-
plt.plot(y)
-
plt.plot(y_pred)
keras序列模型进行拟合
这一次,我们将在没有封装类的情况下拟合模型。
-
fit(x, y, nb_epoch=100)
-
model.predict(x)
我们检查一个平均平方误差率。
mean_squared_error(y, y_krm)
最后,我们绘制结果。
在本教程中,我们已经简单地学习了如何用Python中的Keras神经网络模型来拟合和预测回归数据。谢谢您的阅读!
最受欢迎的见解
1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析
3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析
4.用于nlp的python:使用keras的多标签文本lstm神经网络分类
▍关注我们
【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。
▍咨询链接:http://y0.cn/teradat
▍联系邮箱:3025393450@qq.com