Keras - การทำนายการถดถอยโดยใช้ MPL

ในบทนี้ให้เราเขียน ANN ตาม MPL อย่างง่ายเพื่อทำการทำนายการถดถอย จนถึงตอนนี้เราได้ทำการทำนายตามการจำแนกประเภทเท่านั้น ตอนนี้เราจะพยายามทำนายค่าที่เป็นไปได้ถัดไปโดยการวิเคราะห์ค่าก่อนหน้า (ต่อเนื่อง) และปัจจัยที่มีอิทธิพล

Regression MPL สามารถแสดงได้ดังนี้ -

คุณสมบัติหลักของรุ่นมีดังนี้ -

• ชั้นอินพุตประกอบด้วย (13,) ค่า

• ชั้นแรกDenseประกอบด้วย 64 หน่วยและฟังก์ชันการเปิดใช้งาน 'relu' ด้วยตัวเริ่มต้นเคอร์เนล 'ปกติ'

• ชั้นที่สองDenseประกอบด้วย 64 หน่วยและฟังก์ชันการเปิดใช้งาน 'relu'

• ชั้นเอาท์พุทหนาแน่นประกอบด้วย 1 หน่วย

• ใช้ mse เป็นฟังก์ชันการสูญเสีย

• ใช้ RMSprop เป็นเครื่องมือเพิ่มประสิทธิภาพ

• ใช้ accuracy เป็นเมตริก

• ใช้ 128 เป็นขนาดแบทช์

• ใช้ 500 เป็นยุค

Step 1 − Import the modules

ให้เรานำเข้าโมดูลที่จำเป็น

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

ให้เรานำเข้าชุดข้อมูลที่อยู่อาศัยของบอสตัน

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

ที่นี่

boston_housingเป็นชุดข้อมูลที่ Keras ให้มา แสดงถึงชุดข้อมูลที่อยู่อาศัยในพื้นที่บอสตันแต่ละแห่งมีคุณสมบัติ 13 ประการ

Step 3 − Process the data

ให้เราเปลี่ยนชุดข้อมูลตามแบบจำลองของเราเพื่อที่เราจะได้ป้อนลงในโมเดลของเรา ข้อมูลสามารถเปลี่ยนแปลงได้โดยใช้รหัสด้านล่าง -

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

ที่นี่เราได้ปรับข้อมูลการฝึกอบรมโดยใช้ไฟล์ sklearn.preprocessing.scale ฟังก์ชัน preprocessing.StandardScaler().fit ฟังก์ชันส่งคืนสเกลาร์ด้วยค่าเฉลี่ยปกติและค่าเบี่ยงเบนมาตรฐานของข้อมูลการฝึกซึ่งเราสามารถนำไปใช้กับข้อมูลทดสอบโดยใช้ scalar.transformฟังก์ชัน การดำเนินการนี้จะทำให้ข้อมูลการทดสอบเป็นปกติด้วยการตั้งค่าเดียวกับข้อมูลการฝึกอบรม

Step 4 − Create the model

ให้เราสร้างแบบจำลองจริง

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

ให้เรารวบรวมโมเดลโดยใช้ฟังก์ชันการสูญเสียเครื่องมือเพิ่มประสิทธิภาพและเมตริกที่เลือก

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

Step 6 − Train the model

ให้เราฝึกโมเดลโดยใช้ fit() วิธี.

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)]
)

ที่นี่เราได้ใช้ฟังก์ชันโทรกลับ EarlyStopping. จุดประสงค์ของการโทรกลับนี้คือเพื่อตรวจสอบมูลค่าการสูญเสียในแต่ละยุคและเปรียบเทียบกับมูลค่าการสูญเสียยุคก่อนหน้าเพื่อค้นหาการปรับปรุงในการฝึกอบรม หากไม่มีการปรับปรุงสำหรับpatience ครั้งแล้วกระบวนการทั้งหมดจะหยุดลง

การดำเนินการแอปพลิเคชันจะให้ข้อมูลด้านล่างเป็นผลลัพธ์ -

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

ให้เราประเมินแบบจำลองโดยใช้ข้อมูลการทดสอบ

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

การดำเนินการโค้ดด้านบนจะแสดงข้อมูลด้านล่าง -

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

Step 8 − Predict

สุดท้ายทำนายโดยใช้ข้อมูลการทดสอบดังต่อไปนี้ -

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

ผลลัพธ์ของแอปพลิเคชั่นข้างต้นมีดังนี้ -

[ 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. ]

ผลลัพธ์ของอาร์เรย์ทั้งสองมีความแตกต่างกันประมาณ 10-30% และระบุว่าโมเดลของเราคาดการณ์ด้วยช่วงที่เหมาะสม