0
点赞
收藏
分享

微信扫一扫

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


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 )

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_时间序列

01

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_数据_02

02

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_时间序列_03

03

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_数据_04

04

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_时间序列_05

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)

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_神经网络_06

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")

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_神经网络_07

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)

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_时间序列_08


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)

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_数据_09

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)

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_数据_10

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。

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_神经网络_11

举报

相关推荐

0 条评论