【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析

原文链接：http://tecdat.cn/?p=18149

原文出处：拓端数据部落公众号

 

当我们将CNN（卷积神经网络）模型用于训练多维类型的数据（例如图像）时，它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ，在本文中，我们在R中实现相同的方法。

视频：R语言实现CNN（卷积神经网络）模型进行回归数据分析

 

\
我们使用一维卷积函数来应用CNN模型。我们需要Keras R接口才能在R中使用Keras神经网络API。如果开发环境中不可用，则需要先安装。本教程涵盖：

1. 准备数据
2. 定义和拟合模型
3. 预测和可视化结果
4. 源代码

我们从加载本教程所需的库开始。\
 

library(keras)
library(caret)

[]()准备

数据在本教程中，我们将波士顿住房数据集用作目标回归数据。首先，我们将加载数据集并将其分为训练和测试集。\
 

set.seed(123)
boston = MASS::Boston
indexes = createDataPartition(boston$medv, p = .85, list = F)
 

train = boston[indexes,]
test = boston[-indexes,]

\
接下来，我们将训练数据和测试数据的x输入和y输出部分分开，并将它们转换为矩阵类型。您可能知道，“ medv”是波士顿住房数据集中的y数据输出，它是其中的最后一列。其余列是x输入数据。\
检查维度。\
 

dim(xtrain)
[1] 432  13
 

dim(ytrain)
[1] 432   1

\
接下来，我们将通过添加另一维度来重新定义x输入数据的形状。\
 

dim(xtrain)
[1] 432  13   1
 

dim(xtest)
[1] 74 13  1

\
在这里，我们可以提取keras模型的输入维。\
 

print(in_dim)
[1] 13  1

定义和拟合模型

我们定义Keras模型，添加一维卷积层。输入形状变为上面定义的（13,1）。我们添加Flatten和Dense层，并使用“ Adam”优化器对其进行编译。\
 

model %>% summary()
________________________________________________________________________
Layer (type)                    Output Shape                  Param #    
========================================================================
conv1d_2 (Conv1D)               (None, 12, 64)                192        
________________________________________________________________________
flatten_2 (Flatten)             (None, 768)                   0          
________________________________________________________________________
dense_3 (Dense)                 (None, 32)                    24608      
________________________________________________________________________
dense_4 (Dense)                 (None, 1)                     33         
========================================================================
Total params: 24,833
Trainable params: 24,833
Non-trainable params: 0
________________________________________________________________________

​

\
接下来，我们将使用训练数据对模型进行拟合。\
 

print(scores)
    loss 
24.20518

预测和可视化结果

现在，我们可以使用训练的模型来预测测试数据。

predict(xtest)

\
我们将通过RMSE指标检查预测的准确性。\
 

cat("RMSE:", RMSE(ytest, ypred))
RMSE: 4.935908

\
最后，我们将在图表中可视化结果检查误差。\
 

x_axes = seq(1:length(ypred))

lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
legend("topl

  在本教程中，我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。

---

最受欢迎的见解

1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析

2.r语言实现拟合神经网络预测和结果可视化

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

4.用于nlp的python：使用keras的多标签文本lstm神经网络分类

5.用r语言实现神经网络预测股票实例

6.R语言基于Keras的小数据集深度学习图像分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.python中基于网格搜索算法优化的深度学习模型分析糖

9.matlab使用贝叶斯优化的深度学习