Regressor 回归

作者: Alice 编辑: 莫烦 2016-10-29

学习资料:

• 代码链接
• 机器学习-简介系列 什么是神经网络

神经网络可以用来模拟回归问题 (regression)，例如给下面一组数据，用一条线来对数据进行拟合，并可以预测新输入 x 的输出值。

导入模块并创建数据 ¶

models.Sequential，用来一层一层一层的去建立神经层；layers.Dense 意思是这个神经层是全连接层。

import numpy as npnp.random.seed(1337) # for reproducibilityfrom keras.models import Sequentialfrom keras.layers import Denseimport matplotlib.pyplot as plt # 可视化模块# create some dataX = np.linspace(-1, 1, 200)np.random.shuffle(X) # randomize the dataY = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))# plot dataplt.scatter(X, Y)plt.show()X_train, Y_train = X[:160], Y[:160] # train 前 160 data pointsX_test, Y_test = X[160:], Y[160:] # test 后 40 data points

建立模型 ¶

然后用 Sequential 建立 model，再用 model.add 添加神经层，添加的是 Dense 全连接神经层。

参数有两个，一个是输入数据和输出数据的维度，本代码的例子中 x 和 y 是一维的。

如果需要添加下一个神经层的时候，不用再定义输入的纬度，因为它默认就把前一层的输出作为当前层的输入。在这个例子里，只需要一层就够了。

model = Sequential()model.add(Dense(output_dim=1, input_dim=1))

激活模型 ¶

接下来要激活神经网络，上一步只是定义模型。

参数中，误差函数用的是 mse 均方误差；优化器用的是 sgd 随机梯度下降法。

# choose loss function and optimizing methodmodel.compile(loss='mse', optimizer='sgd')

以上三行就构建好了一个神经网络，它比 Tensorflow 要少了很多代码，很简单。

训练模型 ¶

训练的时候用 model.train_on_batch 一批一批的训练 X_train, Y_train。默认的返回值是 cost，每100步输出一下结果。

# trainingprint('Training -----------')for step in range(301):    cost = model.train_on_batch(X_train, Y_train)    if step % 100 == 0:        print('train cost: ', cost)'''Training -----------train cost:  4.111329555511475train cost:  0.08777070790529251train cost:  0.007415373809635639train cost:  0.003544030711054802'''

检验模型 ¶

用到的函数是 model.evaluate，输入测试集的x和y， 输出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一层 model.layers[0] 学习到的参数。从学习到的结果你可以看到, weights 比较接近0.5，bias 接近 2。

# testprint('\nTesting ------------')cost = model.evaluate(X_test, Y_test, batch_size=40)print('test cost:', cost)W, b = model.layers[0].get_weights()print('Weights=', W, '\nbiases=', b)'''Testing ------------40/40 [==============================] - 0stest cost: 0.004269329831Weights= [[ 0.54246825]] biases= [ 2.00056005]'''

可视化结果 ¶

最后可以画出预测结果，与测试集的值进行对比。

# plotting the predictionY_pred = model.predict(X_test)plt.scatter(X_test, Y_test)plt.plot(X_test, Y_pred)plt.show()

分享到:

如果你觉得这篇文章或视频对你的学习很有帮助, 请你也分享它, 让它能再次帮助到更多的需要学习的人. 莫烦没有正式的经济来源, 如果你也想支持 莫烦Python 并看到更好的教学内容, 赞助他一点点, 作为鼓励他继续开源的动力.

支持 让教学变得更优秀

点我 赞助 莫烦

---