tf.keras.Sequential搭建回歸模型

首先，我們應該清楚分類模型和回歸模型的本質區別，才能在搭建模型的時候得心應手。

• 分類模型：預測的是類別，模型的輸出是在各個類別上的概率分布。所以分類模型在最后一層上的輸出值個數是多個。
• 預測模型：預測的是數值，模型的輸出是一個實數值。所以回歸模型在最后一層上的輸出值個數是一個。

清楚了分類模型和預測模型的區別之后，我們就以一個實例來講解回歸模型的搭建過程。該實例是一個房價預測的模型，采用的數據集是sklearn.datasets 的 fetch_california_housing數據集。我們依然將模型的構建過程分為七步：

一：導入包

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import sklearn

import os
import sys
import time

import tensorflow as tf
import tensorflow.keras as keras

for module in np, pd, mpl, sklearn, tf, keras:
    print (module.__name__, module.__version__)

二：數據加載

# 數據加載
from sklearn.datasets import fetch_california_housing
housing = fetch_california_housing(data_home='C:/Users/rencm/scikit_learn_data', download_if_missing=True)

三：切分訓練集和驗證集

# 切分訓練集和驗證集
from sklearn.model_selection import train_test_split
x_train_all, x_test, y_train_all, y_test = train_test_split(housing.data, housing.target, random_state = 7)
x_train, x_valid, y_train, y_valid = train_test_split(x_train_all, y_train_all, random_state = 11)
print (x_train.shape, x_valid.shape, x_test.shape)

四：輸入數據歸一化處理

# 輸入數據歸一化處理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
x_valid_scaled = scaler.transform(x_valid)
x_test_scaled = scaler.transform(x_test)

五：模型建立

# 模型建立
model = keras.models.Sequential([
    keras.layers.Dense(30, activation = 'relu', input_shape = x_train.shape[1:]),
    keras.layers.Dense(1)
])
model.compile(
    loss = 'mean_squared_error',
    optimizer = 'sgd'
)
print (model.summary())

這里指的注意的一點是：我們的最后一層即輸出層的輸出個數為1，這是個分類模型的唯一區別。

六：訓練模型

# 訓練模型
history = model.fit(
    x_train_scaled, y_train,
    validation_data=(x_valid_scaled, y_valid),
    epochs = 100,
    callbacks=[
        keras.callbacks.EarlyStopping(min_delta = 1e-2, patience = 5)
    ]
)

七：測試模型

# 測試模型
model.evaluate(x_test_scaled, y_test)

 總結：

通過以上的過程可以看出，分類模型和回歸模型的通用步驟都是一樣的，只有在模型建立的時候有一點不同。即分類模型的輸出層有多個輸出，需要使用softmax激活函數，而回歸模型的輸出層只有一個輸出，沒有激活函數。