机器学习预测-CNN数据预测示例

介绍

这段代码是一个基于 TensorFlow 和 Keras 的深度学习模型，用于进行数据的回归任务。让我逐步解释一下：

1. 导入必要的库：这里导入了 NumPy 用于数值计算，Pandas 用于数据处理，Matplotlib 用于绘图，TensorFlow 用于构建和训练深度学习模型，以及一些相关的模块和函数。

2. 读取 CSV 文件：使用 Pandas 读取名为 "data_csv.csv" 的 CSV 文件，将数据存储在 DataFrame 中。

3. 提取 X 和 y：从 DataFrame 中提取特征变量和目标变量，并将它们转换为 NumPy 数组的形式。

4. 调整 X 的形状：将特征变量 X 的形状重新调整为 (1000, 100, 1)，这是因为该模型使用了 Conv1D 层，需要三维输入，其中 100 是时间步长，1 是特征数量。

5. 划分数据集：将数据集划分为训练集和测试集，其中测试集占比为 20%。

6. 构建 CNN 模型：使用 Sequential 模型构建一个卷积神经网络模型，包括两个 Conv1D 层用于特征提取和一个全连接层用于输出。这个模型的结构是：两个卷积层（每个卷积层包括 64 个滤波器和 3 的卷积核大小），然后是一个展平层，接着是一个具有 50 个神经元的隐藏层，最后是一个输出层。

7. 编译模型：使用 Adam 优化器和均方误差损失函数编译模型。

8. 训练模型：使用训练集进行模型训练，共训练 50 个 epochs，批量大小为 32，并在训练过程中使用了验证集来监测模型的性能。

9. 进行预测并评估模型：使用测试集进行模型预测，并计算预测结果与真实结果之间的均方误差。

10. 绘制实际值和预测值的比较图：使用 Matplotlib 绘制了实际值和预测值的比较图，以直观地查看模型的预测效果。

11. 绘制预测误差图：使用 Matplotlib 绘制