【Keras】卷积神经网络数据回归预测实战

不爱打球的设计师不是一个好coder

已于 2023-11-24 23:22:09 修改

阅读量7.7k

点赞数 12

文章标签： keras cnn 回归

于 2022-08-12 10:03:39 首次发布

本文链接：https://blog.csdn.net/weixin_45955386/article/details/126297316

版权

本文记录了使用Keras实现一维卷积神经网络（CNN）进行回归预测的过程。博主在实习期间遇到的问题包括数据预处理、模型构建、训练与优化。通过8层一维卷积、最大池化和Dropout层防止过拟合，并选用均方差作为损失函数。在训练过程中，博主发现模型的loss曲线收敛，但预测值存在问题。经过分析，可能的原因包括特征值未归一化、学习率调整、epoch和batch设置等。最终，通过数据标准化和反标准化，得到了较好的预测结果。

摘要由CSDN通过智能技术生成

写这个主要是记录自己实习期间的工作。

参考的是本篇文章【keras】一维卷积神经网络做回归
被分配到完成一个工艺流程中各工艺参数对产品的一个功效的回归预测。
这边先给出一部分数据，红框框出来的是我们想预测的一个label。
而其他的都是用于网络输入的特征值。

在这里插入图片描述
首先是数据集的导入，训练集和测试集的划分

df = pd.read_csv(r"Table_5_6_Output_Input_NoNAN.csv")
X = np.hstack((df.values[:, 1:6],df.values[:, 7:])).astype(float) 
# 增加一维轴
Y = df.values[:, 6]
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

接下来是定义网络模型
采用的是8层的一维卷积＋最大池化＋Dropout层，这样的好处是可以丢弃影响较小的特征，保留有效的特征，防止过拟合。
loss函数采用的是均方差公式

# 定义一个神经网络
model = Sequential()
model.add(Conv1D(16, 3, input_shape=(84, 1), activation='relu'))
model.add(Conv1D(16, 3, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Dropout(rate=0.2))

model.add(Conv1D(64, 3, activation='relu', ))
model.add(Conv1D(64, 3, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Dropout(rate=0.2))

model.add(Conv1D(128, 3, activation='relu'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Dropout(rate=0.2))

model.add(Conv1D(64, 3, activation='relu', padding='same'))
model.add(Conv1D(64, 3, activation='relu', padding='same'))
model.add(MaxPooling1D(3, padding="same"))
model.add(Dropout(rate=0.2))

model.add(Flatten())
model.add(Dense(1, activation='linear'))
plot_model(model, to_file='model_linear.png',