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)

2、使用Keras构建回归模型相关推荐

R语言使用caret包构建遗传算法树模型（Tree Models from Genetic Algorithms ）构建回归模型、通过method参数指定算法名称
R语言使用caret包构建遗传算法树模型(Tree Models from Genetic Algorithms )构建回归模型.通过method参数指定算法名称.通过trainControl函数控 ...
R语言使用caret包构建岭回归模型（Ridge Regression ）构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程
R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型.通过method参数指定算法名称.通过trainControl函数控制训练过程目录
R语言使用caret包构建随机森林模型（random forest）构建回归模型、通过method参数指定算法名称、通过ntree参数指定随机森林中树的个数
R语言使用caret包构建随机森林模型(random forest)构建回归模型.通过method参数指定算法名称.通过ntree参数指定随机森林中树的个数目录
R语言使用caret包构建gbdt模型（随机梯度提升树、Stochastic Gradient Boosting ）构建回归模型、通过method参数指定算法名称
R语言使用caret包构建gbdt模型(随机梯度提升树.Stochastic Gradient Boosting )构建回归模型.通过method参数指定算法名称目录
R语言构建回归模型并进行模型诊断（线性关系不满足时）、进行变量变换（Transforming variables）、使用car包中的boxTidwell函数对预测变量进行Box–Tidwell变换
R语言构建回归模型并进行模型诊断(线性关系不满足时).进行变量变换(Transforming variables).使用car包中的boxTidwell函数对预测变量进行Box–Tidwell变换目 ...
R语言使用xgboost构建回归模型：vtreat包为xgboost回归模型进行数据预处理（缺失值填充、缺失值标识、离散变量独热onehot编码）、构建出生体重的xgboost模型回归模型
R语言使用xgboost构建回归模型:vtreat包为xgboost回归模型进行数据预处理(缺失值填充.缺失值标识.离散变量独热onehot编码).构建出生体重的xgboost模型回归模型目录
R语言构建回归模型并获取对于新数据预测的预测区间实战：给出预测区间而不是一个具体的预测值、置信区间与预测区间的异同
R语言构建回归模型并获取对于新数据预测的预测区间实战:95%或者99%预测区间而不是一个具体的预测值.置信区间与预测区间的异同目录
8.1 mnist_soft,TensorFlow构建回归模型
背景之前已经写了很多TensorFlow的基本知识,现在利用TensorFlow实现一些简单的功能,对原来的知识进行串联,并初步入门,该部分共包括三篇,分别实现的是回归模型,浅层神经网络,KNN. ...
mae python实现_使用Python进行机器学习：从0到1，构建回归模型（附完整教程）
摘要在本文中,我将使用数据科学和Python来解释回归用例的主要步骤,从数据分析到理解模型输出. 我将介绍一些非常有用的Python代码,当你遇到相同的情况时,只需要复制,粘贴,运行,就能轻松使用. ...
R语言使用lm函数构建回归模型、使用broom包的augmented函数将模型结果存入dataframe中、使用ggplot2可视化回归残差图（拟合值和残差值的关系图）
R语言使用lm函数构建回归模型.使用broom包的augmented函数将模型结果存入dataframe中.使用ggplot2可视化回归残差图(拟合值和残差值的关系图) 目录

2、使用Keras构建回归模型

文章目录