拓端tecdat|R語言實現CNN（卷積神經網絡）模型進行回歸數據分析

原文鏈接：http://tecdat.cn/?p=18149

 

當我們將CNN（卷積神經網絡）模型用於訓練多維類型的數據（例如圖像）時，它們非常有用。我們還可以實現CNN模型進行回歸數據分析。我們之前使用Python進行CNN模型回歸 ，在本文中，我們在R中實現相同的方法。
我們使用一維卷積函數來應用CNN模型。我們需要Keras R接口才能在R中使用Keras神經網絡API。如果開發環境中不可用，則需要先安裝。本教程涵蓋：

1. 准備數據
2. 定義和擬合模型
3. 預測和可視化結果
4. 源代碼

我們從加載本教程所需的庫開始。
 

1.  
   library(keras)
2.  
   library(caret)

准備

數據在本教程中，我們將波士頓住房數據集用作目標回歸數據。首先，我們將加載數據集並將其分為訓練和測試集。
 

1.  
   set.seed(123)
2.  
   boston = MASS::Boston
3.  
   indexes = createDataPartition(boston$medv, p = .85, list = F)
4.  
    

1.  
   train = boston[indexes,]
2.  
   test = boston[-indexes,]

接下來，我們將訓練數據和測試數據的x輸入和y輸出部分分開，並將它們轉換為矩陣類型。您可能知道，“ medv”是波士頓住房數據集中的y數據輸出，它是其中的最后一列。其余列是x輸入數據。
檢查維度。
 

1.  
   dim(xtrain)
2.  
   [1] 432 13
3.  
    

1.  
   dim(ytrain)
2.  
   [1] 432 1

接下來，我們將通過添加另一維度來重新定義x輸入數據的形狀。
 

1.  
   dim(xtrain)
2.  
   [1] 432 13 1
3.  
    

1.  
   dim(xtest)
2.  
   [1] 74 13 1

在這里，我們可以提取keras模型的輸入維。
 

1.  
   print(in_dim)
2.  
   [1] 13 1

定義和擬合模型

我們定義Keras模型，添加一維卷積層。輸入形狀變為上面定義的（13,1）。我們添加Flatten和Dense層，並使用“ Adam”優化器對其進行編譯。
 

1.  
    
2.  
    
3.  
   model %>% summary()
4.  
   ________________________________________________________________________
5.  
   Layer (type) Output Shape Param #
6.  
   ========================================================================
7.  
   conv1d_2 (Conv1D) (None, 12, 64) 192
8.  
   ________________________________________________________________________
9.  
   flatten_2 (Flatten) (None, 768) 0
10.  
    ________________________________________________________________________
11.  
    dense_3 (Dense) (None, 32) 24608
12.  
    ________________________________________________________________________
13.  
    dense_4 (Dense) (None, 1) 33
14.  
    ========================================================================
15.  
    Total params: 24,833
16.  
    Trainable params: 24,833
17.  
    Non-trainable params: 0
18.  
    ________________________________________________________________________
19.  
     
20.  
    ​

接下來，我們將使用訓練數據對模型進行擬合。
 

1.  
    
2.  
   print(scores)
3.  
   loss
4.  
   24.20518

預測和可視化結果

現在，我們可以使用訓練的模型來預測測試數據。

predict(xtest)

我們將通過RMSE指標檢查預測的准確性。
 

1.  
   cat("RMSE:", RMSE(ytest, ypred))
2.  
   RMSE: 4.935908

最后，我們將在圖表中可視化結果檢查誤差。
 

1.  
   x_axes = seq(1:length(ypred))
2.  
    
3.  
   lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
4.  
   legend("topl

  在本教程中，我們簡要學習了如何使用R中的keras CNN模型擬合和預測回歸數據。

---

最受歡迎的見解

1.r語言用神經網絡改進nelson-siegel模型擬合收益率曲線分析

2.r語言實現擬合神經網絡預測和結果可視化

3.python用遺傳算法-神經網絡-模糊邏輯控制算法對樂透分析

4.用於nlp的python：使用keras的多標簽文本lstm神經網絡分類

5.用r語言實現神經網絡預測股票實例

6.R語言基於Keras的小數據集深度學習圖像分類

7.用於NLP的seq2seq模型實例用Keras實現神經機器翻譯

8.python中基於網格搜索算法優化的深度學習模型分析糖

9.matlab使用貝葉斯優化的深度學習