线性回归模型案例：美食图像评分

一、数据介绍：
图像来源：Flickr上收集用户上传的经人工筛选后的196张食物图像
因变量：由5人小组对每张美食图像进行1～5评分，最后取平均分作为每张图像的最终得分
（其中1分代表图像非常不吸引人，5分代表图像非常吸引人）
二、建模步骤：
2.1准备𝑋+𝑌数据

import pandas as pd
MasterFile=pd.read_csv('./FoodScore.csv')   #读取美食图像评分的数据
print(MasterFile.shape)
MasterFile[0:5]

2.2数据展示

from matplotlib import pyplot as plt
plt.figure()
fig,ax=plt.subplots(2,5)
fig.set_figheight(7.5)
fig.set_figwidth(15)
ax=ax.flatten()
for i in range(10):
    ax[i].imshow(X[i,:,:,:])
    ax[i].set_title(np.round(Y[i],2))

2.3切分训练集与测试集

from sklearn.model_selection import  train_test_split
X0,X1,Y0,Y1=train_test_split(X,Y,test_size=0.5,random_state=0) 

2.4线性回归模型构建

from keras.layers import Dense, Flatten, Input
from keras import Model
input_layer=Input([IMSIZE,IMSIZE,3])
x=input_layer
x=Flatten()(x)  #第2个输入的是128*128*3的立体矩阵
x=Dense(1)(x)   #Dense()函数实现的是将向量x进行线性组合变成标量x，然后输出
output_layer=x
model=Model(input_layer,output_layer)
model.summary()

2.5模型编译

from keras.optimizers import Adam
model.compile(loss='mse',optimizer=Adam(lr=0.001),metrics=['mse'])

2.6模型拟合

model.fit(X0,Y0,
          validation_data=[X1,Y1],
          batch_size=100,
          epochs=100)

2.7模型预测

MyPic=Image.open('mypic.jpg')
MyPic
MyPic=MyPic.resize((IMSIZE,IMSIZE))        
MyPic=np.array(MyPic)/255                  
MyPic=MyPic.reshape((1,IMSIZE,IMSIZE,3))   
model.predict(MyPic)  

预测结果：array([[3.170478]], dtype=float32)