Keras - Predição de regressão usando MPL

Neste capítulo, vamos escrever uma RNA simples baseada em MPL para fazer a previsão de regressão. Até agora, fizemos apenas a previsão baseada em classificação. Agora, tentaremos prever o próximo valor possível, analisando os valores anteriores (contínuos) e seus fatores de influência.

O MPL de regressão pode ser representado como abaixo -

As principais características do modelo são as seguintes -

A camada de entrada consiste em (13,) valores.
Primeira camada, Dense consiste em 64 unidades e função de ativação 'relu' com inicializador de kernel 'normal'.
Segunda camada, Denso consiste em 64 unidades e função de ativação 'relu'.
Camada de saída, Densa consiste em 1 unidade.
Usar mse como função de perda.
Usar RMSprop como otimizador.
Usar accuracy como métricas.
Use 128 como tamanho do lote.
Use 500 como épocas.

Step 1 − Import the modules

Deixe-nos importar os módulos necessários.

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

Vamos importar o conjunto de dados de habitação de Boston.

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

Aqui,

boston_housingé um conjunto de dados fornecido por Keras. Ele representa uma coleção de informações sobre moradias na área de Boston, cada uma com 13 recursos.

Step 3 − Process the data

Vamos mudar o conjunto de dados de acordo com nosso modelo, para que possamos alimentar nosso modelo. Os dados podem ser alterados usando o código abaixo -

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

Aqui, normalizamos os dados de treinamento usando sklearn.preprocessing.scale função. preprocessing.StandardScaler().fit função retorna um escalar com a média normalizada e o desvio padrão dos dados de treinamento, que podemos aplicar aos dados de teste usando scalar.transformfunção. Isso normalizará os dados de teste também com a mesma configuração dos dados de treinamento.

Step 4 − Create the model

Vamos criar o 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

Vamos compilar o modelo usando a função de perda, otimizador e métricas selecionadas.

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

Step 6 − Train the model

Vamos treinar o 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)]
)

Aqui, usamos a função de retorno de chamada, EarlyStopping. O objetivo deste retorno de chamada é monitorar o valor da perda durante cada época e compará-lo com o valor da perda da época anterior para encontrar a melhoria no treinamento. Se não houver melhora para opatience vezes, então todo o processo será interrompido.

Executar o aplicativo fornecerá as informações abaixo como saída -

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

Vamos avaliar o modelo usando dados de teste.

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

Executar o código acima resultará nas informações abaixo -

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

Step 8 − Predict

Finalmente, preveja usando dados de teste como abaixo -

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

O resultado do aplicativo acima é o seguinte -

[ 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. ]

A saída de ambas as matrizes tem cerca de 10-30% de diferença e indica que nosso modelo prevê com uma faixa razoável.