神经网络可以用来模拟回归问题。
首先回归问题是什么,回归问题通常是用来预测一个值,如预测房价、未来的天气情况等等,例如一个产品的实际价格为500元,通过回归分析预测值为499元,我们认为这是一个比较好的回归分析。一个比较常见的回归算法是线性回归算法(LR)。另外,回归分析用在神经网络上,其最上层是不需要加上softmax函数的,而是直接对前一层累加即可。回强调内容归是对真实值的一种逼近预测。
这里我们就是用一条线段来对一些连续的数据进行拟合,进而我们可以通过这个曲线预测出新的输出值。
首先是数据图:
我们需要做的就是将其用一条直线将其取代。类似下图:
一、根据代码对其进行详细解读
1.导入的模块
导入本例子需要的模块,numpy、Matplotlib、kears.models和keras.models模块。Sequential()是多个网络层的线性堆叠。可以直接在其内部加入各个网络层或者通过 add()函数一个一个将网络层加入其中。Dense是全连接神经网络层。
model.add(Dense(64, input_dim=64, W_regularizer=l2(0.01), activity_regularizer=activity_l2(0.01)))
Dense层包括output_dim(输出维度)、input_dim(输入维度)、activation(激活函数)、weights(权值)、W_regularizer(施加在权值上的正则项)、b_regularizer(施加在偏置向量上的正则项)、activity_