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
目录
- 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。
加入交流群
请使用微信扫一扫!