Keras之DNN：基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集&预测新数据点

张鑫鑫 2022-09-19 16:09:16  51012

分类专栏：人才

输出结果

实现代码


 coding:utf-8
 
 
Xa=[]
Xb=[]
for i in range(0,len(X)):
    Xa.append(X[i][0])
    Xb.append(X[i][1])
print('a',Xa)
print('b',Xb)
plt.scatter(Xa,Xb,marker='o',c='',edgecolors='g')edgecolors是控制圆圈的边缘颜色，c是控制圆心的颜色，c=''就是空心
 
 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
 
 
 T1、单个预测，新的未知数据实例
  未知的新数据
 Xnew = array([[0.29466096, 0.30317302]])
  作出预测
 ynew = model.predict(Xnew)
 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
  显示输入和输出
 plt.scatter(Xnew[0][0],Xnew[0][1],marker='^',c='',edgecolors='b')edgecolors是控制圆圈的边缘颜色，c是控制圆心的颜色，c=''就是空心
 plt.title('Keras-DNN-Single: sigmoid+linear+mse+predict——Jason Niu')
 plt.show() 
 
 
 
T2、多个预测，新的未知数据实例
 未知的新数据
Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
Xnew = scalarX.transform(Xnew)
 作出预测
ynew = model.predict(Xnew)
 显示输入和输出
Xnew_x=[]
Xnew_y=[]
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
    Xnew_x.append(Xnew[i][0])
    Xnew_y.append(Xnew[i][1])  
plt.scatter(Xnew_x,Xnew_y,marker='.',c='',edgecolors='r')edgecolors是控制圆圈的边缘颜色，c是控制圆心的颜色，c=''就是空心
plt.title('Keras-DNN-Multiple: sigmoid+linear+mse+predict——Jason Niu')
plt.show()

网站声明：如果转载，请联系本站管理员。否则一切后果自行承担。

本文链接：https://www.xckfsq.com/news/show.html?id=3498

赞同 0

评论 0 条

Keras之DNN：基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集&预测新数据点

输出结果

实现代码

相关文章

关注我们