拓端tecdat|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
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。
文档来源：51CTO技术博客https://blog.51cto.com/tecdat/3243453
页:
[1]