2、使用Keras构建回归模型

使用Keras构建回归模型

• 数据集：加州住房数据集
• 模型：MLP
• 框架：Keras

1、导入相关工具包

从sklearn中导入数据集

from sklearn.datasets import fetch_california_housing 
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import keras

2、加载数据集

# housing_data 是一个包含数据、标签的字典
housing_data = fetch_california_housing()

3、划分训练集和测试集

使用sklearn中的 train_test_split 进行数据划分，默认测试集占比25%。

x_train_all, x_test_all, y_train_all , y_test_all = train_test_split(housing_data["data"], housing_data["target"])

4、数据标准化

使用sklearn中的 StandardScaler 进行数据标准化，由于采用梯度下降法，故标准化可以加速模型收敛

scaler = StandardScaler()              # 标准化的对象
x_train_all = scaler.fit_transform(x_train_all)    # 对训练集进行拟合，标准化
x_test_all = scaler.transform(x_test_all)          # 在测试集上标准化

5、模型构建

由于是回归模型，因此，输出层神经元个数为1，并且不需要激活函数，输出神经元会不断逼近真实标签值，

model = keras.models.Sequential(name="MLP-回归")
model.add(keras.layers.Dense(30, activation="relu", input_shape=(x_train_all.shape[1], )))
model.add(keras.layers.Dense(1))

6、打印模型信息

model.summary()

7、模型编译

采用随机梯度下降法进行优化，损失函数为均方误差

model.compile(optimizer="sgd", loss=keras.losses.mean_squared_error)

8、模型训练

验证集占训练集10%，训练集每轮训练完后，在验证集上进行验证

history = model.fit(x_train_all, y_train_all, epochs= 50, validation_split=0.1)

9、测试集上评估

mse = model.evaluate(x_test_all, y_test_all)           # 返回测试集的mse
print(mse)

10、预测：

x_new = x_test_all[:10]         # 取测试集前10个样本，进行预测
y_pre = model.predict(x_new)

11、完整代码

# 导入相关工具库
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import keras

# 加载数据集
housing_data = fetch_california_housing()

# 划分训练集和测试集
x_train_all, x_test_all, y_train_all , y_test_all = train_test_split(housing_data["data"], housing_data["target"])

# 数据处理（标准化）
scaler = StandardScaler()
x_train_all = scaler.fit_transform(x_train_all)
x_test_all = scaler.transform(x_test_all)

# 构建模型
model = keras.models.Sequential(name="MLP-回归")
model.add(keras.layers.Dense(30, activation="relu", input_shape=(x_train_all.shape[1], )))
model.add(keras.layers.Dense(1))

# 打印模型结构信息
model.summary()

# 模型编译
model.compile(optimizer="sgd", loss=keras.losses.mean_squared_error)

# 模型训练
history = model.fit(x_train_all, y_train_all, epochs= 50, validation_split=0.1)

# 在测试集上评估
mse = model.evaluate(x_test_all, y_test_all)           # 返回测试集的loss和mse
print(mse)

# 预测
x_new = x_test_all[:10]
y_pre = model.predict(x_new)