Keras - Prédiction de régression à l'aide de MPL

Dans ce chapitre, écrivons un simple ANN basé sur MPL pour faire une prédiction de régression. Jusqu'à présent, nous n'avons fait que la prédiction basée sur la classification. Maintenant, nous allons essayer de prédire la prochaine valeur possible en analysant les valeurs précédentes (continues) et ses facteurs d'influence.

La MPL de régression peut être représentée comme ci-dessous -

Les principales caractéristiques du modèle sont les suivantes -

La couche d'entrée se compose de (13,) valeurs.
Première couche, Dense se compose de 64 unités et d'une fonction d'activation «relu» avec un initialiseur de noyau «normal».
Deuxième couche, Dense se compose de 64 unités et d'une fonction d'activation «relu».
Couche de sortie, Dense se compose de 1 unité.
Utilisation mse comme fonction de perte.
Utilisation RMSprop comme Optimizer.
Utilisation accuracy comme métriques.
Utilisez 128 comme taille de lot.
Utilisez 500 comme époques.

Step 1 − Import the modules

Importons les modules nécessaires.

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

Importons l'ensemble de données sur le logement à Boston.

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

Ici,

boston_housingest un ensemble de données fourni par Keras. Il représente une collection d'informations sur le logement dans la région de Boston, chacune ayant 13 caractéristiques.

Step 3 − Process the data

Modifions l'ensemble de données en fonction de notre modèle, afin que nous puissions alimenter notre modèle. Les données peuvent être modifiées en utilisant le code ci-dessous -

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

Ici, nous avons normalisé les données d'entraînement en utilisant sklearn.preprocessing.scale fonction. preprocessing.StandardScaler().fit renvoie un scalaire avec la moyenne normalisée et l'écart type des données d'entraînement, que nous pouvons appliquer aux données de test en utilisant scalar.transformfonction. Cela normalisera également les données de test avec le même paramètre que celui des données d'entraînement.

Step 4 − Create the model

Créons le modèle actuel.

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

Compilons le modèle en utilisant la fonction de perte, l'optimiseur et les métriques sélectionnés.

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

Step 6 − Train the model

Entraînons le modèle en utilisant fit() méthode.

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)]
)

Ici, nous avons utilisé la fonction de rappel, EarlyStopping. Le but de ce rappel est de surveiller la valeur de la perte à chaque époque et de la comparer à la valeur de la perte de l'époque précédente pour trouver l'amélioration de l'apprentissage. S'il n'y a pas d'amélioration pour lepatience fois, alors l'ensemble du processus sera arrêté.

L'exécution de l'application donnera les informations ci-dessous en sortie -

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

Évaluons le modèle à l'aide de données de test.

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

L'exécution du code ci-dessus produira les informations ci-dessous -

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

Step 8 − Predict

Enfin, prédisez en utilisant les données de test comme ci-dessous -

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

La sortie de l'application ci-dessus est la suivante -

[ 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 sortie des deux tableaux a une différence d'environ 10 à 30% et cela indique que notre modèle prédit avec une plage raisonnable.