R语言深度学习:用keras神经网络回归模型预测时间序列数据

最近我们被客户要求撰写关于神经网络的研究报告,包括一些图形和统计输出。

回归数据可以用Keras深度学习API轻松拟合。在本教程中,我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据。在这里,我们将看到如何创建简单的回归数据,建立模型,训练它,并最终预测输入数据。该教程包括

  • 生成样本数据集
  • 建立模型
  • 训练模型并检查准确性
  • 预测测试数据 
  • 源代码列表

我们将从加载R的Keras库开始。

library(keras)

生成样本数据集

首先,本教程的样本回归时间序列数据集。


plot( c )
points( a )
points(  b )
points(  y )
 


红线是y输出,其余的点是x输入的序列。

我们需要将x输入数据转换成矩阵类型。

x = as.matrix(data.frame(a,b,c))
y = as.matrix(y)

建立模型

接下来,我们将创建一个keras序列模型。

   loss = "mse",
   optimizer =  "adam", 
   metrics = list("mean_absolute_error")
 

训练模型和检查准确性

接下来,我们将用x、y数据来拟合模型,并检查其准确性。

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


接下来,我们将预测x数据,并在图中与原始y值进行比较。 

plot(x, y)

 
预测测试数据


接下来,我们将把数据集分成训练和测试两部分,再次训练模型,预测测试数据。

fit(train_x,train_y)
predict(test_x)


最后,我们将绘制原始测试数据的Y值和预测值。

plot(x, test_y)
lines(x, y_pred)

 


 

 在本教程中,我们已经简单了解了如何在R中用keras神经网络模型拟合回归数据。 


  • 2
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值