Keras – 使用MPL进行回归预测

在本章中，让我们编写一个简单的基于MPL的ANN来做回归预测。到现在为止，我们只做了基于分类的预测。现在，我们将尝试通过分析之前的（连续）数值及其影响因素来预测下一个可能的数值。

回归的MPL可以表示如下

Keras - 使用MPL进行回归预测

该模型的核心特征如下

输入层由(13,)个值组成。
第一层， Dense 由64个单元和’relu’激活函数与’normal’核初始化器组成。
第二层， Dense 由64个单元和’relu’激活函数组成。
输出层， Dense 由1个单元组成。
使用 mse 作为损失函数。
使用 RMSprop 作为优化器。
使用精度作为指标。
使用128作为批次大小。
使用500次作为epochs。

第1步 – 导入模块

让我们导入必要的模块。

import keras 

from keras.datasets import boston_housing 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.optimizers import RMSprop 
from keras.callbacks import EarlyStopping 
from sklearn import preprocessing 
from sklearn.preprocessing import scale

第2步 – 加载数据

让我们导入波士顿住房数据集。

(x_train, y_train), (x_test, y_test) = boston_housing.load_data()

这里、

boston_housing 是一个由Keras提供的数据集。它代表了波士顿地区的住房信息的集合，每一个都有13个特征。

第3步–处理数据

让我们根据我们的模型来改变数据集，这样，我们就可以将其输入我们的模型。可以使用以下代码来改变数据

x_train_scaled = preprocessing.scale(x_train) 
scaler = preprocessing.StandardScaler().fit(x_train) 
x_test_scaled = scaler.transform(x_test)

在这里，我们使用 sklearn.preprocessing.scale 函数对训练数据进行了归一化处理。 preprocessing.StandardScaler().fit 函数返回一个带有训练数据归一化平均值和标准差的标量，我们可以使用 scalar.transform 函数将其应用到测试数据中。这将使测试数据与训练数据的设置相同。

第4步 – 创建模型

让我们创建实际的模型。

model = Sequential() 
model.add(Dense(64, kernel_initializer = 'normal', activation = 'relu',
input_shape = (13,))) 
model.add(Dense(64, activation = 'relu')) model.add(Dense(1))

第5步 – 编译模型

让我们使用选定的损失函数、优化器和度量标准来编译模型。

model.compile(
   loss = 'mse', 
   optimizer = RMSprop(), 
   metrics = ['mean_absolute_error']
)

第6步 – 训练模型

让我们使用 fit() 方法训练模型。

history = model.fit(
   x_train_scaled, y_train,    
   batch_size=128, 
   epochs = 500, 
   verbose = 1, 
   validation_split = 0.2, 
   callbacks = [EarlyStopping(monitor = 'val_loss', patience = 20)]
)

在这里，我们使用了回调函数 EarlyStopping。 这个回调函数的目的是监测每个历时的损失值，并将其与前一个历时的损失值进行比较，以发现训练中的改进。如果在忍耐时间内没有改善，那么整个过程将被停止。

执行该程序将给出以下信息作为输出

Train on 323 samples, validate on 81 samples Epoch 1/500 2019-09-24 01:07:03.889046: I 
tensorflow/core/platform/cpu_feature_guard.cc:142] 
Your CPU supports instructions that this 
TensorFlow binary was not co mpiled to use: AVX2 323/323 
[==============================] - 0s 515us/step - loss: 562.3129 
- mean_absolute_error: 21.8575 - val_loss: 621.6523 - val_mean_absolute_erro 
r: 23.1730 Epoch 2/500 
323/323 [==============================] - 0s 11us/step - loss: 545.1666 
- mean_absolute_error: 21.4887 - val_loss: 605.1341 - val_mean_absolute_error 
: 22.8293 Epoch 3/500 
323/323 [==============================] - 0s 12us/step - loss: 528.9944 
- mean_absolute_error: 21.1328 - val_loss: 588.6594 - val_mean_absolute_error 
: 22.4799 Epoch 4/500 
323/323 [==============================] - 0s 12us/step - loss: 512.2739 
- mean_absolute_error: 20.7658 - val_loss: 570.3772 - val_mean_absolute_error 
: 22.0853 Epoch 5/500
323/323 [==============================] - 0s 9us/step - loss: 493.9775 
- mean_absolute_error: 20.3506 - val_loss: 550.9548 - val_mean_absolute_error: 21.6547 
.......... 
.......... 
.......... 
Epoch 143/500 
323/323 [==============================] - 0s 15us/step - loss: 8.1004 
- mean_absolute_error: 2.0002 - val_loss: 14.6286 - val_mean_absolute_error: 
2. 5904 Epoch 144/500 
323/323 [==============================] - 0s 19us/step - loss: 8.0300 
- mean_absolute_error: 1.9683 - val_loss: 14.5949 - val_mean_absolute_error: 
2. 5843 Epoch 145/500 
323/323 [==============================] - 0s 12us/step - loss: 7.8704 
- mean_absolute_error: 1.9313 - val_loss: 14.3770 - val_mean_absolute_error: 2. 4996

第7步 – 评估模型

让我们使用测试数据来评估该模型。

score = model.evaluate(x_test_scaled, y_test, verbose = 0) 
print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

执行上述代码将输出以下信息—

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

第8步 – 预测

最后，使用测试数据进行预测，如下所示

prediction = model.predict(x_test_scaled) 
print(prediction.flatten()) 
print(y_test)

上述应用程序的输出如下 −

[ 7.5612316 17.583357 21.09344 31.859276 25.055613 18.673872 26.600405 22.403967 19.060272 22.264952 
17.4191 17.00466 15.58924 41.624374 20.220217 18.985565 26.419338 19.837091 19.946192 36.43445 
12.278508 16.330965 20.701359 14.345301 21.741161 25.050423 31.046402 27.738455 9.959419 20.93039 
20.069063 14.518344 33.20235 24.735163 18.7274 9.148898 15.781284 18.556862 18.692865 26.045074 
27.954073 28.106823 15.272034 40.879818 29.33896 23.714525 26.427515 16.483374 22.518442 22.425386 
33.94826 18.831465 13.2501955 15.537227 34.639984 27.468002 13.474407 48.134598 34.39617 
22.8503124.042334 17.747198 14.7837715 18.187277 23.655672 22.364983 13.858193 22.710032 14.371148 
7.1272087 35.960033 28.247292 25.3014 14.477208 25.306196 17.891165 20.193708 23.585173 34.690193 
12.200583 20.102983 38.45882 14.741723 14.408362 17.67158 18.418497 21.151712 21.157492 22.693687 
29.809034 19.366991 20.072294 25.880817 40.814568 34.64087 19.43741 36.2591 50.73806 26.968863 43.91787 
32.54908 20.248306 ] [ 7.2 18.8 19. 27. 22.2 24.5 31.2 22.9 20.5 23.2 18.6 14.5 17.8 50. 20.8 24.3 24.2 
19.8 19.1 22.7 12. 10.2 20. 18.5 20.9 23. 27.5 30.1 9.5 22. 21.2 14.1 33.1 23.4 20.1 7.4 15.4 23.8 20.1 
24.5 33. 28.4 14.1 46.7 32.5 29.6 28.4 19.8 20.2 25. 35.4 20.3 9.7 14.5 34.9 26.6 7.2 50. 32.4 21.6 29.8 
13.1 27.5 21.2 23.1 21.9 13. 23.2 8.1 5.6 21.7 29.6 19.6 7. 26.4 18.9 20.9 28.1 35.4 10.2 24.3 43.1 17.6 
15.4 16.2 27.1 21.4 21.5 22.4 25. 16.6 18.6 22. 42.8 35.1 21.5 36. 21.9 24.1 50. 26.7 25. ]

两个阵列的输出结果有大约10-30%的差异，这表明我们的模型预测的范围是合理的。