R语言深度学习：用keras神经网络回归模型预测时间序列数据|附代码数据

全文链接：http://tecdat.cn/?p=23250

最近我们被客户要求撰写关于深度学习的研究报告，包括一些图形和统计输出。

回归数据可以用Keras深度学习API轻松拟合。在本教程中，我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据

在这里，我们将看到如何创建简单的回归数据，建立模型，训练它，并最终预测输入数据。

该教程包括

生成样本数据集
建立模型
训练模型并检查准确性
预测测试数据
源代码列表

我们将从加载R的Keras库开始。

library(keras)

生成样本数据集

首先，本教程的样本回归时间序列数据集。

plot( c )
points( a )
points(  b )
points(  y )

点击标题查阅往期内容

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测

左右滑动查看更多

红线是y输出，其余的点是x输入的序列。

我们需要将x输入数据转换成矩阵类型。

x = as.matrix(data.frame(a,b,c))
y = as.matrix(y)

建立模型

接下来，我们将创建一个keras序列模型。

   loss = "mse",
   optimizer =  "adam", 
   metrics = list("mean_absolute_error")

训练模型和检查准确性

接下来，我们将用x、y数据来拟合模型，并检查其准确性。

evaluate(x, y, verbose = 0)
print(scores)

接下来，我们将预测x数据，并在图中与原始y值进行比较。

plot(x, y)

预测测试数据

接下来，我们将把数据集分成训练和测试两部分，再次训练模型，预测测试数据。

fit(train_x,train_y)
predict(test_x)

最后，我们将绘制原始测试数据的Y值和预测值。

plot(x, test_y)
lines(x, y_pred)

在本教程中，我们已经简单了解了如何在R中用keras神经网络模型拟合回归数据。

点击文末 “阅读原文”

获取全文完整资料。

本文选自《R语言深度学习：用keras神经网络回归模型预测时间序列数据》。