分享

R语言深度学习:用keras神经网络回归模型预测时间序列数据

 拓端数据 2021-07-30

原文链接:http:///?p=23250

回归数据可以用Keras深度学习API轻松拟合。在本教程中,我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据。在这里,我们将看到如何创建简单的回归数据,建立模型,训练它,并最终预测输入数据。该教程包括

  • 生成样本数据集

  • 建立模型

  • 训练模型并检查准确性

  • 预测测试数据

  • 源代码列表

我们将从加载R的Keras库开始。

library(keras)

生成样本数据集

首先,本教程的样本回归时间序列数据集。

plot( c )
points( a )
points(  b )
points(  y )

红线是y输出,其余的点是x输入的序列。

我们需要将x输入数据转换成矩阵类型。

x = as.matrix(data.frame(a,b,c))
y = as.matrix(y)

建立模型

接下来,我们将创建一个keras序列模型。

   loss = "mse",
   optimizer =  "adam"
   metrics = list("mean\_absolute\_error")

训练模型和检查准确性

接下来,我们将用x、y数据来拟合模型,并检查其准确性。

evaluate(x, y, verbose = 0)
print(scores)


接下来,我们将预测x数据,并在图中与原始y值进行比较。

plot(x, y)

预测测试数据

接下来,我们将把数据集分成训练和测试两部分,再次训练模型,预测测试数据。

fit(train\_x,train\_y)
predict(test_x)

最后,我们将绘制原始测试数据的Y值和预测值。

plot(x, test_y)
lines(x, y_pred)

在本教程中,我们已经简单了解了如何在R中用keras神经网络模型拟合回归数据。


    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多