如何创建一个用于回归的神经网络？

Question

我正在尝试使用Keras构建一个神经网络，使用的数据是https://archive.ics.uci.edu/ml/datasets/Yacht+Hydrodynamics。以下是我的代码：

import numpy as np
from keras.layers import Dense, Activation
from keras.models import Sequential
from sklearn.model_selection import train_test_split

data = np.genfromtxt(r"""file location""", delimiter=',')

model = Sequential()
model.add(Dense(32, activation = 'relu', input_dim = 6))
model.add(Dense(1,))
model.compile(optimizer='adam', loss='mean_squared_error', metrics = ['accuracy'])

Y = data[:,-1]
X = data[:, :-1]

我尝试使用 model.fit(X, Y) 进行训练，但模型的准确率一直保持在 0。由于我是 Keras 的新手，所以这可能有一个简单的解决方案，请提前谅解。

我的问题是，如何在模型中添加回归以提高准确性？感谢您的帮助。

- ES1927

Answer 1

首先，你需要使用sklearn.model_selection库中的train_test_split类将数据集拆分为训练集和测试集。{{train_test_split}}

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.08, random_state = 0)

此外，您需要使用StandardScaler类对值进行scale。

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

接下来，您应该添加更多的{{图层}}以获得更好的结果。

注意

通常，为了找出所需的{{隐藏}} {{图层}}的总数，应使用以下公式。

Nh = Ns/(α∗ (Ni + No))

在这里：

• Ni = 输入神经元的数量。
• No = 输出神经元的数量。
• Ns = 训练数据集中的样本数。
• α = 一个任意的缩放因子，通常为2-10。

因此，我们的分类器变成了：

# Initialising the ANN
model = Sequential()

# Adding the input layer and the first hidden layer
model.add(Dense(32, activation = 'relu', input_dim = 6))

# Adding the second hidden layer
model.add(Dense(units = 32, activation = 'relu'))

# Adding the third hidden layer
model.add(Dense(units = 32, activation = 'relu'))

# Adding the output layer
model.add(Dense(units = 1))

你使用的度量标准 metrics=['accuracy'] 对应于一个分类问题。如果你想进行回归，请删除 metrics=['accuracy']。也就是说，只需使用{{}}。

model.compile(optimizer = 'adam',loss = 'mean_squared_error')

这里是一份适用于回归和分类的Keras指标列表。

同时，你需要为fit方法定义batch_size和epochs的值。

model.fit(X_train, y_train, batch_size = 10, epochs = 100)

在训练完神经网络network后，您可以使用model.predict方法对X_test进行预测。

y_pred = model.predict(X_test)

现在，你可以比较从神经网络预测中获得的y_pred和真实数据y_test。为此，您可以使用matplotlib库创建一个plot。请注意，保留{{和}}占位符。

plt.plot(y_test, color = 'red', label = 'Real data')
plt.plot(y_pred, color = 'blue', label = 'Predicted data')
plt.title('Prediction')
plt.legend()
plt.show()

我们的神经网络似乎学得非常好

这是plot的样子。

这是完整的代码

import numpy as np
from keras.layers import Dense, Activation
from keras.models import Sequential
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
# Importing the dataset
dataset = np.genfromtxt("data.txt", delimiter='')
X = dataset[:, :-1]
y = dataset[:, -1]

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.08, random_state = 0)

# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Initialising the ANN
model = Sequential()

# Adding the input layer and the first hidden layer
model.add(Dense(32, activation = 'relu', input_dim = 6))

# Adding the second hidden layer
model.add(Dense(units = 32, activation = 'relu'))

# Adding the third hidden layer
model.add(Dense(units = 32, activation = 'relu'))

# Adding the output layer

model.add(Dense(units = 1))

#model.add(Dense(1))
# Compiling the ANN
model.compile(optimizer = 'adam', loss = 'mean_squared_error')

# Fitting the ANN to the Training set
model.fit(X_train, y_train, batch_size = 10, epochs = 100)

y_pred = model.predict(X_test)

plt.plot(y_test, color = 'red', label = 'Real data')
plt.plot(y_pred, color = 'blue', label = 'Predicted data')
plt.title('Prediction')
plt.legend()
plt.show()

- Mihai Alexandru-Ionut

---

漂亮的回答！ - MaxU - stand with Ukraine

了不起的 @MihaiAlexandru-Ionut，你能解释一下缩放的必要性吗？ - ES1927

@ES1927，许多机器学习算法使用欧氏距离。因此需要归一化或缩放，以使所有输入处于可比较的范围内。 - Mihai Alexandru-Ionut

我在识别预测与实际绘图中的x轴代表什么方面遇到了一些困难。起初，我认为它是时期，但在我的数据中，无论我在时期中更改什么，我都得到相同的x轴范围。有人能解释一下吗？ - Joehat

回答我上面的评论，它是样本编号 =) - Joehat