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
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!