R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列

原文链接:http://tecdat.cn/?p=23902

递归神经网络被用来分析序列数据。它在隐藏单元之间建立递归连接,并在学习序列后预测输出。
在本教程中,我们将简要地学习如何用R中的Keras RNN模型来拟合和预测多输出的序列数据,你也可以对时间序列数据应用同样的方法。我们将使用Keras R接口在R中实现神经网络:

  1. 准备数据

  2. 定义模型

  3. 预测和可视化结果

我们将从加载R的必要包开始。

library(keras)

准备数据

首先,我们将为本教程创建一个多输出数据集。它是随机产生的数据,下面有一些规则。在这个数据集中有三个输入变量和两个输出变量。我们将绘制生成的数据,以直观地检查它。

plot(s, df$y1, ylim = c(min(df), max(df)), type = "l")
lines(s, df$y2, type = "l")
lines(s, df$x1, type = "l")
lines(s, df$x2, type = "l")
lines(s, df$x3, type = "l")

接下来,我们将把数据分成训练和测试两部分。最后的50个元素将是测试数据。


点击标题查阅往期内容

R语言实现CNN(卷积神经网络)模型进行回归数据分析

左右滑动查看更多

01

02

03

04

train = df\[1:(n-tsize), \]
test = df\[(n-tsize+1):n, \]

我们将创建x输入和y输出数据来训练模型,并将它们转换成矩阵类型。

xtrain = as.matrix(data.frame(train$x1, train$x2, train$x3))
ytrain = as.matrix(data.frame(train$y1, train$y2))

接下来,我们将通过给定的步长值对输入和输出值进行切分来准备数据。在这个例子中,步长值是2,我们将把x的第一和第二行以及y的第二行作为一个标签值。下一个元素成为x的第二和第三行以及y的第三行,这个序列一直持续到结束。下表解释了如何创建x和y数据的序列。

如果步长值为3,我们将取3行x数据,第三行y数据成为输出。

dim(trains$x)
\[1\] 798   3   2
dim(trains$y)
\[1\] 798   2

定义模型

我们将通过添加简单的RNN层、用于输出的Dense层和带有MSE损失函数的Adam优化器来定义序列模型。我们将在模型的第一层设置输入维度,在最后一层设置输出维度。

model %>% summary()

我们将用训练数据来拟合这个模型。

fit(trains$x, trains$y)

并检查训练的准确性。

evaluate(trains$x, trains$y, verbose = 0)
print(scores)

预测和可视化的结果

最后,我们将预测测试数据,用RMSE指标检查y1和y2的准确性。

cat("y1 RMSE:", RMSE(tests$y\[, 1\], ypred\[, 1\]))

``````
cat("y2 RMSE:", RMSE(tests$y\[, 2\], ypred\[, 2\]))

我们可以在图中直观地检查结果。
``````
plot(x_axes, tests$y\[, 1\], ylim = c(min(tests$y), max(tests$y))type = "l", lwd = 2,

在本教程中,我们已经简单了解了如何用R中的Keras rnn模型来拟合和预测多输出的顺序数据。


(0)

相关推荐