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
01
02
03
04
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》。
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
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
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
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。