【数学建模分类预测实战】用Keras训练DNN神经网络并将模型用于回归预测

本文记录了笔者用Keras框架编写BP神经网络，训练并预测秦皇岛未来煤价数据，共分为三部分：训练、验证和预测。本文编写于2020年5月19日，文中代码全为Python 3代码，并在Jupyter中测试通过。
点击跳转至本文数据集下载链接

献给新手！大家有疑问可以在评论区留言，一起进步~

1、数据读入

数据集下载链接：戳这里

训练集一共62条，每条包含了9个属性(A~I)和目标值target，我们将用他们来训练模型：根据A-I的值来预测target的值。

以下是需要预测的数据，我们将它放置在数据集的64~94行：
（仅有A-I属性的数据，无target值，我们将用训练好的模型来预测其target）

首先用Pandas读入全部数据——

import pandas as pd 
data = pd.read_csv("C:/Users/LRK/Desktop/0518.csv") 

注意，用Pandas读取的数据会是一个Numpy数组，在这种数据集上非常好用！！

★ 手动划分训练集(train_data)、训练目标(train_targets)，他们都是Numpy数组。

train_data = data.loc[0:61, ['A','B','C','D','E','F','G','H','I']]
train_data.shape

# 读取数据集的0~61行、A~I列的数据

Output：(62, 9)

train_targets = data.loc[0:61, ['target']]
train_targets.shape

# 读取数据集的0~61行、target列的数据

Output：(62, 1)

用Pandas读取train_data是这样的，非常美观：

★ 读取需要预测的数据的A-I特征：

test_data = data.loc[62:92, ['A','B','C','D','E','F','G','H','I']]

2、数据预处理

在这里，我们采用“数据标准化处理”，即：每个数据减去该列平均值，再除以该列的标准差。这是机器学习中常见的数据处理方式，一定程度上缩小了A~I列不同属性的数据大小范围，方便神经网络进行训练。
（这里不明白的可以参考Andrew Ng的视频课程）

mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= std

test_data -= mean
test_data /= std

警告：test_data进行预处理的时候，减去的平均值和除以的标准差，都是在训练集上得出的，而非测试集上！！否则会影响准确性。

3、编写模型（深度神经网络）

DNN（深度神经网络），是BP神经网络的变种。

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"   # GTX 1050 Ti

from kera