TensorFlow2.0教程12：回归问题

　　在回归问题中，我们的目标是预测连续值的输出，如价格或概率。

　　我们采用了经典的Auto MPG数据集，并建立了一个模型来预测20世纪70年代末和80年代初汽车的燃油效率。 为此，我们将为该模型提供该时段内许多汽车的描述。 此描述包括以下属性：气缸，排量，马力和重量。

　　1.Auto MPG数据集

　　获取数据

　　dataset_path = keras.utils.get_file('auto-mpg.data',

　　'https://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data')

　　print(dataset_path)

　　Downloading data from https://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data

　　32768/30286 [================================] - 1s 25us/step

　　/home/czy/.keras/datasets/auto-mpg.data

　　使用pandas读取数据

　　column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',

　　'Acceleration', 'Model Year', 'Origin']

　　raw_dataset = pd.read_csv(dataset_path, names=column_names,

　　na_values='?', comment='\t',

　　sep=' ', skipinitialspace=True)

　　dataset = raw_dataset.copy()

　　dataset.tail()

　　MPG　　Cylinders　　Displacement　　Horsepower　　Weight　　Acceleration　　Model Year　　Origin

　　393　　27.0　　4　　140.0　　86.0　　2790.0　　15.6　　82　　1

　　394　　44.0　　4　　97.0　　52.0　　2130.0　　24.6　　82　　2

　　395　　32.0　　4　　135.0　　84.0　　2295.0　　11.6　　82　　1

　　396　　28.0　　4　　120.0　　79.0　　2625.0　　18.6　　82　　1

　　397　　31.0　　4　　119.0　　82.0　　2720.0　　19.4　　82　　1

　　2.数据预处理

　　清洗数据

　　print(dataset.isna().sum())

　　dataset = dataset.dropna()

　　origin = dataset.pop('Origin')

　　dataset['USA'] = (origin == 1)*1.0

　　dataset['Europe'] = (origin == 2)*1.0

　　dataset['Japan'] = (origin == 3)*1.0

　　dataset.tail()

　　MPG 0

　　Cylinders 0

　　Displacement 0

　　Horsepower 6

　　Weight 0

　　Acceleration 0

　　Model Year 0

　　Origin 0

　　dtype: int64

　　MPG　　Cylinders　　Displacement　　Horsepower　　Weight　　Acceleration　　Model Year　　USA　　Europe　　Japan

　　393　　27.0　　4　　140.0　　86.0　　2790.0　　15.6　　82　　1.0　　0.0　　0.0

　　394　　44.0　　4　　97.0　　52.0　　2130.0　　24.6　　82　　0.0　　1.0　　0.0

　　395　　32.0　　4　　135.0　　84.0　　2295.0　　11.6　　82　　1.0　　0.0　　0.0

　　396　　28.0　　4　　120.0　　79.0　　2625.0　　18.6　　82　　1.0　　0.0　　0.0

　　397　　31.0　　4　　119.0　　82.0　　2720.0　　19.4　　82　　1.0　　0.0　　0.0

　　划分训练集和测试集

　　train_dataset = dataset.sample(frac=0.8,random_state=0)

　　test_dataset = dataset.drop(train_dataset.index)

　　检测数据

　　观察训练集中几对列的联合分布。

　　sns.pairplot(train_dataset[["MPG", "Cylinders", "Displacement", "Weight"]], diag_kind="kde")

　　

 

　　整体统计数据：

　　train_stats = train_dataset.describe()

　　train_stats.pop("MPG")

　　train_stats = train_stats.transpose()

　　train_stats

　　count　　mean　　std　　min　　25%　　50%　　75%　　max

　　Cylinders　　314.0　　5.477707　　1.699788　　3.0　　4.00　　4.0　　8.00　　8.0

　　Displacement　　314.0　　195.318471　　104.331589　　68.0　　105.50　　151.0　　265.75　　455.0

　　Horsepower　　314.0　　104.869427　　38.096214　　46.0　　76.25　　94.5　　128.00　　225.0

　　Weight　　314.0　　2990.251592　　843.898596　　1649.0　　2256.50　　2822.5　　3608.00　　5140.0

　　Acceleration　　314.0　　15.559236　　2.789230　　8.0　　13.80　　15.5　　17.20　　24.8

　　Model Year　　314.0　　75.898089　　3.675642　　70.0　　73.00　　76.0　　79.00　　82.0

　　USA　　314.0　　0.624204　　0.485101　　0.0　　0.00　　1.0　　1.00　　1.0

　　Europe　　314.0　　0.178344　　0.383413　　0.0　　0.00　　0.0　　0.00　　1.0

　　Japan　　314.0　　0.197452　　0.398712　　0.0　　0.00　　0.0　　0.00　　1.0

　　取出标签

　　train_labels = train_dataset.pop('MPG')

　　test_labels = test_dataset.pop('MPG')

　　标准化数据

　　最好使用不同比例和范围的特征进行标准化。 虽然模型可能在没有特征归一化的情况下收敛，但它使训练更加困难，并且它使得结果模型依赖于输入中使用的单位的选择。

　　def norm(x):

　　return (x - train_stats['mean']) / train_stats['std']

　　normed_train_data = norm(train_dataset)

　　normed_test_data = norm(test_dataset)

　　3.构建模型

　　def build_model():

　　model = keras.Sequential([

　　layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),

　　layers.Dense(64, activation='relu'),

　　layers.Dense(1)

　　])

　　optimizer = tf.keras.optimizers.RMSprop(0.001)

　　model.compile(loss='mse',

　　optimizer=optimizer,

　　metrics=['mae', 'mse'])

　　return model

　　model = build_model()

　　model.summary()

　　Model: "sequential"

　　_________________________________________________________________

　　Layer (type) Output Shape Param #

　　=================================================================

　　dense (Dense) (None, 64) 640

　　_________________________________________________________________

　　dense_1 (Dense) (None, 64) 4160

　　_________________________________________________________________

　　dense_2 (Dense) (None, 1) 65

　　=================================================================

　　Total params: 4,865

　　Trainable params: 4,865

　　Non-trainable params: 0

　　_________________________________________________________________

　　example_batch = normed_train_data[:10]

　　example_result = model.predict(example_batch)

　　example_result

　　array([[0.18062565],

　　[0.1714489 ],

　　[0.22555563],

　　[0.29366603],

　　[0.69764495],

　　[0.08851457],

　　[0.6851174 ],

　　[0.32245407],

　　[0.02959149],

　　[0.38945067]], dtype=float32)

　　4.训练模型

　　class PrintDot(keras.callbacks.Callback):

　　def on_epoch_end(self, epoch, logs):

　　if epoch % 100 == 0: print('')

　　print('.', end='')

　　EPOCHS = 1000

　　history = model.fit(

　　normed_train_data, train_labels,

　　epochs=EPOCHS, validation_split = 0.2, verbose=0,

　　callbacks=[PrintDot()])

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　....................................................................................................

　　查看训练记录无锡妇科医院哪家好 http://www.ytsgfk120.com/

　　hist = pd.DataFrame(history.history)

　　hist['epoch'] = history.epoch

　　hist.tail()

　　loss　　mae　　mse　　val_loss　　val_mae　　val_mse　　epoch

　　995　　2.191127　　0.940755　　2.191127　　10.422818　　2.594117　　10.422818　　995

　　996　　2.113679　　0.903680　　2.113679　　10.723925　　2.631320　　10.723926　　996

　　997　　2.517261　　0.989557　　2.517261　　9.497868　　2.379198　　9.497869　　997

　　998　　2.250272　　0.931618　　2.250272　　11.017041　　2.658538　　11.017041　　998

　　999　　1.976393　　0.853547　　1.976393　　9.890977　　2.491739　　9.890977　　999

　　def plot_history(history):

　　hist = pd.DataFrame(history.history)

　　hist['epoch'] = history.epoch

　　plt.figure()

　　plt.xlabel('Epoch')

　　plt.ylabel('Mean Abs Error [MPG]')

　　plt.plot(hist['epoch'], hist['mae'],

　　label='Train Error')

　　plt.plot(hist['epoch'], hist['val_mae'],

　　label = 'Val Error')

　　plt.ylim([0,5])

　　plt.legend()

　　plt.figure()

　　plt.xlabel('Epoch')

　　plt.ylabel('Mean Square Error [$MPG^2$]')

　　plt.plot(hist['epoch'], hist['mse'],

　　label='Train Error')

　　plt.plot(hist['epoch'], hist['val_mse'],

　　label = 'Val Error')

　　plt.ylim([0,20])

　　plt.legend()

　　plt.show()

　　plot_history(history)

　　使用early stop

　　model = build_model()

　　early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)

　　history = model.fit(normed_train_data, train_labels, epochs=EPOCHS,

　　validation_split = 0.2, verbose=0, callbacks=[early_stop, PrintDot()])

　　plot_history(history)

　　.........................................................

　　测试

　　loss, mae, mse = model.evaluate(normed_test_data, test_labels, verbose=0)

　　print("Testing set Mean Abs Error: {:5.2f} MPG".format(mae))

　　Testing set Mean Abs Error: 1.85 MPG

　　5.预测

　　test_predictions = model.predict(normed_test_data).flatten()

　　plt.scatter(test_labels, test_predictions)

　　plt.xlabel('True Values [MPG]')

　　plt.ylabel('Predictions [MPG]')

　　plt.axis('equal')

　　plt.axis('square')

　　plt.xlim([0,plt.xlim()[1]])

　　plt.ylim([0,plt.ylim()[1]])

　　_ = plt.plot([-100, 100], [-100, 100])

　　error = test_predictions - test_labels

　　plt.hist(error, bins = 25)

　　plt.xlabel("Prediction Error [MPG]")

　　_ = plt.ylabel("Count")

转载于:https://www.cnblogs.com/gnz49/p/11438964.html