keras机器学习三种模型典型案例

1, MLP模型预测

使用Keras进行数据预测的详细代码案例，包括模型构建、训练和预测的步骤，以及参数的解释。我们将使用一个简单的全连接神经网络（也称为多层感知器，MLP）来进行回归任务。这个案例将使用Keras，它是TensorFlow的高级API，用于构建和训练深度学习模型。

1. 数据准备

假设我们有一组输入特征X和相应的目标值y。为了简化，我们将使用合成数据来演示。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 生成合成数据
np.random.seed(0)
X = np.linspace(0, 10, 100)[:, np.newaxis]
y = np.sin(X) + 0.1 * np.random.randn(100, 1)
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

2. 模型构建

接下来，我们将构建一个简单的MLP模型。这个模型包含一个输入层、一个隐藏层和一个输出层。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 创建模型
model = Sequential()
# 添加输入层和第一个隐藏层
model.add(Dense(50, activation='relu', input_shape=(X_train.shape[1],)))
# 添加第二个隐藏层
model.add(Dense(20, activation='relu'))
# 添加输出层
model.add(Dense(1))
# 打印模型概要
model.summary()

3. 模型编译

在训练模型之前，我们需要编译它，指定损失函数、优化器和评估指标。

model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_absolute_error'])

optimizer: 这是模型用来调整权重的算法。adam是一个常用的优化器，它结合了两种优化算法的优点，适用于各种类型的数据。
loss: 这是模型用来衡量预测误差的函数。mean_squared_error是回归任务中常用的损失函数，它计算预测值和实际值之间差异的平方。
metrics: 这是模型评估的指标。mean_absolute_error是另一个常用的回归指标，它计算预测值和实际值之间的绝对差异。

4. 模型训练

现在我们可以使用训练数据来训练模型。

history = model.fit(X_train, y_train, epochs=1000, batch_size=32, validation_data=(X_test, y_test), verbose=2)

epochs: 这是训练过程中遍历整个训练数据集的次数。
batch_size: 这是每次梯度更新中使用的数据样本数量。
validation_data: 这是用于评估模型在训练过程中的性能的数据集。
verbose: 这决定了训练过程中的输出详细程度。0为安静模式，1为进度条，2为每个epoch一行。

5. 模型评估

训练完成后，我们可以评估模型在测试数据上的性能。

test_loss, test_mae = model.evaluate(X_test, y_test, verbose=2)
print(f'Test MAE: {test_mae}')

6. 模型预测

最后，我们可以使用训练好的模型来对新的数据进行预测。

y_pred = model.predict(X_test)

7. 可视化结果

我们可以将模型的预测结果与实际数据进行比较，以直观地评估模型的性能。

plt.scatter(X_test, y_test, label='Actual')
plt.plot(X_test, y_pred, 'r', label='Predicted')
plt.legend()
plt.show()

好的，接下来我将提供使用LSTM和CNN模型进行数据预测的详细代码案例，包括模型构建、训练和预测的步骤，以及参数的解释。

2. LSTM模型预测

LSTM（长短期记忆网络）是一种特殊的RNN（循环神经网络）架构，非常适合处理和预测时间序列数据。

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 重构数据以适应LSTM输入
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))
# 创建模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1))
# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')
# 训练模型
history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_data=(X_test, y_test), verbose=2)
# 预测
y_pred = model.predict(X_test)
# 反标准化
y_pred = scaler.inverse_transform(y_pred)
y_test = scaler.inverse_transform(y_test)
# 可视化结果
plt.plot(X_test, y_test, label='Actual')
plt.plot(X_test, y_pred, 'r', label='Predicted')
plt.legend()
plt.show()

3. CNN模型预测

CNN（卷积神经网络）通常用于图像识别和分类任务，但也可以用于一维时间序列数据。

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 重构数据以适应CNN输入
X_train = np.expand_dims(X_train, axis=2)
X_test = np.expand_dims(X_test, axis=2)
# 创建模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(50, activation='relu'))
model.add(Dense(1))
# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')
# 训练模型
history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_data=(X_test, y_test), verbose=2)
# 预测
y_pred = model.predict(X_test)
# 反标准化
y_pred = scaler.inverse_transform(y_pred)
y_test = scaler.inverse_transform(y_test)
# 可视化结果
plt.plot(X_test, y_test, label='Actual')
plt.plot(X_test, y_pred, 'r', label='Predicted')
plt.legend()
plt.show()