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

最近我们被客户要求撰写关于Keras神经网络的研究报告，包括一些图形和统计输出。

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!

---