Keras - Predicción de regresión usando MPL

En este capítulo, escribiremos una RNA basada en MPL simple para realizar predicciones de regresión. Hasta ahora, solo hemos realizado la predicción basada en la clasificación. Ahora, intentaremos predecir el siguiente valor posible analizando los valores anteriores (continuos) y sus factores de influencia.

El MPL de regresión se puede representar de la siguiente manera:

Las características principales del modelo son las siguientes:

La capa de entrada consta de (13,) valores.
La primera capa, Dense , consta de 64 unidades y la función de activación 'relu' con un inicializador de kernel 'normal'.
Segunda capa, Dense consta de 64 unidades y función de activación 'relu'.
Capa de salida, Densa consta de 1 unidad.
Utilizar mse como función de pérdida.
Utilizar RMSprop como Optimizador.
Utilizar accuracy como métricas.
Utilice 128 como tamaño de lote.
Usa 500 como épocas.

Step 1 − Import the modules

Importamos los módulos necesarios.

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

Step 2 − Load data

Importemos el conjunto de datos de viviendas de Boston.

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

Aquí,

boston_housinges un conjunto de datos proporcionado por Keras. Representa una colección de información sobre viviendas en el área de Boston, cada una con 13 características.

Step 3 − Process the data

Cambiemos el conjunto de datos de acuerdo con nuestro modelo, para que podamos alimentar nuestro modelo. Los datos se pueden cambiar usando el siguiente código:

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

Aquí, hemos normalizado los datos de entrenamiento usando sklearn.preprocessing.scale función. preprocessing.StandardScaler().fit La función devuelve un escalar con la media normalizada y la desviación estándar de los datos de entrenamiento, que podemos aplicar a los datos de prueba usando scalar.transformfunción. Esto normalizará los datos de la prueba también con la misma configuración que la de los datos de entrenamiento.

Step 4 − Create the model

Creemos el modelo real.

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

Step 5 − Compile the model

Compilemos el modelo utilizando la función de pérdida seleccionada, el optimizador y las métricas.

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

Step 6 − Train the model

Entrenemos el modelo usando fit() método.

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)]
)

Aquí, hemos utilizado la función de devolución de llamada, EarlyStopping. El propósito de esta devolución de llamada es monitorear el valor de pérdida durante cada época y compararlo con el valor de pérdida de la época anterior para encontrar la mejora en el entrenamiento. Si no hay mejora para elpatience veces, entonces todo el proceso se detendrá.

La ejecución de la aplicación dará como resultado la siguiente información:

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

Step 7 − Evaluate the model

Evaluemos el modelo usando datos de prueba.

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

La ejecución del código anterior generará la siguiente información:

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

Step 8 − Predict

Finalmente, prediga usando datos de prueba como se muestra a continuación:

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

El resultado de la aplicación anterior es el siguiente:

[ 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. ]

La salida de ambas matrices tiene una diferencia de alrededor del 10-30% e indica que nuestro modelo predice con un rango razonable.