使用AutoKeras2.0的AutoModel进行结构化数据回归预测-CSDN博客

本文链接：https://blog.csdn.net/piaopiaolanghua/article/details/148222415

1、First of All: Read The Fucking Source Code

import autokeras as ak
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error


# 生成数据集
np.random.seed(42)
x = np.random.rand(1000, 10)  # 生成1000个样本，每个样本有10个特征
y = x.dot([0.5, -1.5, 2.0, -0.8, 1.2, -0.3, 0.7, -1.1, 0.4, -0.6]) + 3.0  # 生成目标变量

# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=42)


input_node = ak.Input()
output_node = ak.DenseBlock()(input_node)  # 数值特征处理层
output_node = ak.RegressionHead()(output_node)


# 初始化AutoModel，指定为回归任务
regressor = ak.AutoModel(
    inputs=input_node,  # 指定输入节点
    outputs=output_node,  # 指定输出节点
    overwrite=True,  # 覆盖之前的搜索结果
    max_trials=2  # 最大尝试次数
)

# 训练模型
regressor.fit(x_train, y_train, epochs=10)

# 评估模型
predictions = regressor.predict(x_test)
mse = mean_squared_error(y_test, predictions)
print('Mean Squared Error: {:.2f}'.format(mse))

# 显示最佳模型信息
model = regressor.export_model()
model.summary()

注：以上基于AutoKeras 2.0版本回归测试的例子，特别使用了通用的AutoModel的写法，其1.1版本不支持。