keras多元线性回归手把手教程

keras多元线性回归手把手教程

前情提要：最近看了李宏毅的深度学习课程，查找了很多代码，发现csdn上面只有一元线性回归的代码，而多元线性回归真的好少。于是为了方便大家的学习，有了这篇文章。

1. 准备数据

# 创建数据集
# 在[0,100]的区间内等间隔创建200个二元数组
X = np.random.randint(0, 100, (200, 2))
#建立系数数组
a = [[0.7], [0.5]]
# np.random.normal(0, 0.05, (200, ))为输出服从均值为0，标准方差为0.05的200个正太分布数据
# 假设我们真实模型为：Y=0.7X(0)+0.5X(1)+2
Y = np.mat(X) * np.mat(a).getA() + 2 + np.random.normal(0, 0.05, (200, 1))
X_train, Y_train = X[:160], Y[:160]  # 把前160个数据放到训练集
X_test, Y_test = X[160:], Y[160:]  # 把后40个点放到测试集

2. 模型构建

model = Sequential()  # Keras有两种类型的模型，序贯模型（Sequential）和函数式模型
# 比较常用的是Sequential，它是单输入单输出的
model.add(Dense(output_dim=1, input_dim=2))  # 通过add()方法一层层添加模型
# Dense是全连接层，第一层需要定义输入，
# 第二层无需指定输入，一般第二层把第一层的输出作为输入
# 定义完模型就需要训练了，不过训练之前我们需要指定一些训练参数
# 通过compile()方法选择损失函数和优化器
# 这里我们用均方误差作为损失函数，随机梯度下降作为优化方法
# model.compile(loss='mse')
# 用的是adam这个优化器
adam = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
model.compile(optimizer=adam, loss='mse')

3. loss图像打印

history = model.fit(X_train, Y_train, 40, 1000)
print('\nTesting ------------')
cost = model.evaluate(X_test, Y_test, batch_size=40)
print('test cost:', cost)
W, b = model.layers[0].get_weights()  # 查看训练出的网络参数
# 由于我们网络只有一层，且每次训练的输入只有一个，输出只有一个
# 因此第一层训练出Y=W1X1+W2X2+B这个模型，其中W,b为训练出的参数
print('Weights=', W, '\nbiases=', b)
print(history.history)
loss = history.history['loss']
epochs = range(1, len(loss) + 1)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.title('Training loss')
plt.legend()
plt.figure()
plt.show()

4. 实验结果
   
   
5. 全部代码

import numpy as np
from keras.optimizers import Adam
np.random.seed(1337)
from keras.models import Sequential
from keras.layers import Dense
from keras import optimizers
import matplotlib.pyplot as plt
X = np.random.randint(0, 100, (200, 2))
a = [[0.7], [0.5]]
Y = np.mat(X) * np.mat(a).getA() + 2 + np.random.normal(0, 0.05, (200, 1))
X_train, Y_train = X[:160], Y[:160] 
X_test, Y_test = X[160:], Y[160:]  
model = Sequential()  
model.add(Dense(output_dim=1, input_dim=2))  
adam = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
model.compile(optimizer=adam, loss='mse')
history = model.fit(X_train, Y_train, 40, 1000)
print('\nTesting ------------')
cost = model.evaluate(X_test, Y_test, batch_size=40)
print('test cost:', cost)
W, b = model.layers[0].get_weights()  
print('Weights=', W, '\nbiases=', b)
print(history.history)
loss = history.history['loss']
epochs = range(1, len(loss) + 1)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.title('Training loss')
plt.legend()
plt.figure()
plt.show()