| 【神经网络】(1) 简单网络，实例：气温预测，附python完整代码和数据集 | 您所在的位置：网站首页 › 小波神经网络预测python › 【神经网络】(1) 简单网络，实例：气温预测，附python完整代码和数据集 |
【神经网络】(1) 简单网络，实例：气温预测，附python完整代码和数据集
|
各位同学好，今天和大家分享一下TensorFlow2.0深度学习中的一个小案例。案例内容：现有348个气温样本数据，每个样本有8项特征值和1项目标值，进行回归预测，构建神经网络模型。 数据集免费：神经网络回归预测--气温数据集-机器学习文档类资源-CSDN文库 导入所需要的库文件，获取气温数据 import numpy as np import pandas as pd import matplotlib.pyplot as plt import tensorflow as tf # 使用keras建模方法 from tensorflow.keras import layers import warnings warnings.filterwarnings('ignore') #（1）数据获取 filepath = 'C:\\...\\temps.csv' features = pd.read_csv(filepath)temp_2代表前天的最高温度，temp_1代表昨天的最高温度，预测目标值为actual
我们绘制日期-温度曲线，首先需要将特征year、month、day组合在一起，拼接成一个字符串，再转变成一个datetime类型的数据。 # 处理时间数据，将年月日组合在一起 import datetime # 获取年月日数据 years = features['year'] months = features['month'] days = features['day'] # 将年月日拼接在一起--字符串类型 dates = [] # 用于存放组合后的日期 for year,month,day in zip(years,months,days): date = str(year)+'-'+str(month)+'-'+str(day) #年月日之间用'-'向连接 dates.append(date) # 转变成datetime格式 times = [] for date in dates: time = datetime.datetime.strptime(date,'%Y-%m-%d') times.append(time) # 看一下前5行 times[:5]
处理好了x轴的数据，我们现在来对几个特征绘制曲线 # 可视化，对各个特征绘图 # 指定绘图风格 plt.style.use('fivethirtyeight') # 设置画布，2行2列的画图窗口，第一行画ax1和ax2，第二行画ax3和ax4 fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(2,2,figsize=(20,10)) # ==1== actual特征列 ax1.plot(times,features['actual']) # 设置x轴y轴标签和title标题 ax1.set_xlabel('');ax1.set_ylabel('Temperature');ax1.set_title('actual temp') # ==2== 前一天的温度 ax2.plot(times,features['temp_1']) # 设置x轴y轴标签和title标题 ax2.set_xlabel('');ax2.set_ylabel('Temperature');ax2.set_title('temp_1') # ==3== 前2天的温度 ax3.plot(times,features['temp_2']) # 设置x轴y轴标签和title标题 ax3.set_xlabel('Date');ax3.set_ylabel('Temperature');ax3.set_title('temp_2') # ==4== friend ax4.plot(times,features['friend']) # 设置x轴y轴标签和title标题 ax4.set_xlabel('Date');ax4.set_ylabel('Temperature');ax4.set_title('friend') # 轻量化布局调整绘图 plt.tight_layout(pad=2)
首先我们需要划分特征值和目标值。在原数据中提取特征值和目标值，'actual'存放的是当日最高温度。 # 获取目标值y，从Series类型变成数组类型 targets = np.array(features['actual']) # 获取特征值x，即在原数据中去掉目标值列，默认删除行，需要指定轴axis=1指向列 features = features.drop('axtual',axis=1) # 把features从DateFrame变成数组类型 features = np.array(features)由于特征值中存在字符串类型的数据，'week'列都是字符串，因此我们需要对特征值进行one-hot编码，将字符串类型转变成数值类型。 # week列是字符串，重新编码，变成数值型 features = pd.get_dummies(features)
处理完字符串数据以后，所有数据变成数值型。为防止由于数据单位不一，跨度大等问题导致的模型准确度不高的问题，对数值型数据进行标准化处理 # 导入标准化方法库 from sklearn import preprocessing input_features = preprocessing.StandardScaler().fit_transform(features)
到此，对原始数据的处理结束，接下来构建神经网络模型。 4. 构建网络模型我们使用keras建模方法，常用参数如下： activation： 激活函数，一般选relu kernel_initializer, bias_initializer： 权重与偏置参数的初始化方法，有时候不收敛换个初始化方法就好了 kernel_regularizer, bias_regularizer：权重与偏置的正则化 inputs：输入 units：神经元个数 所有参数设置方法的参考：Module: tf | TensorFlow Core v2.7.0 (google.cn) （1）网络搭建首先我们导入keras序列模型，tf.keras.Sequential()，按顺序一层一层添加网络层。layers代表不同层次的实现。 每个隐含层的神经元个数是随意改变的，大家可以自己去试，我们这里需要预测最高温度，因此输出值层只需要一个神经元。权重初始化方法各不相同，大家可以在上面那个文档中寻找合适的。 # 构建层次 model = tf.keras.Sequential() # 隐含层1设置16层，权重初始化方法设置为随机高斯分布，加入正则化惩罚项 model.add(layers.Dense(16,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) # 隐含层2设置32层 model.add(layers.Dense(32,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) # 输出层设置为1，即输出一个预测结果 model.add(layers.Dense(1,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) （2）优化器和损失函数接下来需要指定优化器和损失函数 model.compile()，在这里优化器使用梯度下降法，损失函数使用MSE均方误差。大家要根据自己的任务来选择，损失函数的选择对网络的结果影响很大。 # 优化器和损失函数 model.compile(optimizer=tf.keras.optimizers.SGD(0.001),loss='mean_squared_error') （3）网络训练制定完成后就可以开始训练了，网络训练函数 model.fit()。输入特征值input_features，目标值targets，validation_split=0.25指测试集在输入数据中抽取0.25用于测试，epochs指迭代次数100次，每一次迭代128个样本。 # ==3== 网络训练 model.fit(input_features,targets,validation_split=0.25,epochs=100,batch_size=128)
返回训练损失和测试损失，可看到迭代100次后，训练集的损失24.675和测试集的损失29.01相差不大，证明没有出现过拟合现象。如果出现训练集的损失很小，测试集的损失很大，说明存在过拟合，需要调整参数。 （4）网络模型结构我们也可以看一下我们构建的网络模型结构，model.summary()，隐含层1有240个参数，它是怎么计算的呢？输入层的shape为[348,14]，14个特征；第一个全连接层W的shape为[14,16]，16代表隐含层1的特征个数，偏置参数b的shape为[1,16]，y=Wx+b。因此参数个数为14*16+16=240。
网络模型预测函数 model.predict() # ==5== 预测模型结果 predict = model.predict(input_features)我们这里对有所的样本都预测一下，来比较预测结果和实际结果的差异 5. 结果展示简单绘制一个散点图来看一下，可以看出预测结果和实际结果大体保持相同，稍微存在偏差。感兴趣的同学可以进一步进行特征工程、调节参数，来达到更好的效果。 # 真实值，蓝色实现 fig = plt.figure(figsize=(10,5)) axes = fig.add_subplot(111) axes.plot(dates,targets,'bo',label='actual') # 预测值，红色散点 axes.plot(dates,predict,'ro',label='predict') axes.set_xticks(dates[::50]) axes.set_xticklabels(dates[::50],rotation=45) plt.legend() plt.show()
完整代码 # 回归预测温度 import numpy as np import pandas as pd import matplotlib.pyplot as plt import tensorflow as tf # 使用keras建模方法 from tensorflow.keras import layers import warnings warnings.filterwarnings('ignore') #（1）数据获取 filepath = 'C:\\..\\temps.csv' features = pd.read_csv(filepath) # tenmp2代表前两天的温度，temp1代表前一天的温度，目标值为actual #（2）数据预处理 # ==1== 处理时间数据，将年月日组合在一起 import datetime # 获取年月日数据 years = features['year'] months = features['month'] days = features['day'] # 将年月日拼接在一起--字符串类型 dates = [] for year,month,day in zip(years,months,days): date = str(year)+'-'+str(month)+'-'+str(day) dates.append(date) # 转变成datetime格式 times = [] for date in dates: time = datetime.datetime.strptime(date,'%Y-%m-%d') times.append(time) # 看一下前5行 times[:5] #（3）可视化，对各个特征绘图 # 指定绘图风格 plt.style.use('fivethirtyeight') # 设置画布，2行2列的画图窗口，第一行画ax1和ax2 fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(2,2,figsize=(20,10)) # ==1== actual特征列 ax1.plot(times,features['actual']) # 设置x轴y轴标签和title标题 ax1.set_xlabel('');ax1.set_ylabel('Temperature');ax1.set_title('actual temp') # ==2== 前一天的温度 ax2.plot(times,features['temp_1']) # 设置x轴y轴标签和title标题 ax2.set_xlabel('');ax2.set_ylabel('Temperature');ax2.set_title('temp_1') # ==3== 前2天的温度 ax3.plot(times,features['temp_2']) # 设置x轴y轴标签和title标题 ax3.set_xlabel('Date');ax3.set_ylabel('Temperature');ax3.set_title('temp_2') # ==4== friend ax4.plot(times,features['friend']) # 设置x轴y轴标签和title标题 ax4.set_xlabel('Date');ax4.set_ylabel('Temperature');ax4.set_title('friend') # 轻量化布局调整绘图 plt.tight_layout(pad=2) #（4）对字符型数据one-hot编码 # week列是字符串，重新编码，变成数值型 features = pd.get_dummies(features) #（5）划分特征值和目标值 # 获取目标值y，从Series类型变成数值类型 targets = np.array(features['actual']) # 获取特征值x，即在原数据中去掉目标值列，默认删除行，需要指定轴axis=1指向列 features = features.drop('actual',axis=1) # 把features从DateFrame变成数组 features = np.array(features) #（6）标准化处理 from sklearn import preprocessing input_features = preprocessing.StandardScaler().fit_transform(features) #（7）keras构建网络模型 # ==1== 构建层次 model = tf.keras.Sequential() # 隐含层1设置16层，权重初始化方法设置为随机高斯分布 # 加入正则化惩罚项 model.add(layers.Dense(16,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) model.add(layers.Dense(32,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) model.add(layers.Dense(1,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))) # ==2== 指定优化器 model.compile(optimizer=tf.keras.optimizers.SGD(0.001),loss='mean_squared_error') # ==3== 网络训练 model.fit(input_features,targets,validation_split=0.25,epochs=100,batch_size=128) # ==4== 网络模型结构 model.summary() # ==5== 预测模型结果 predict = model.predict(input_features) #（7）展示预测结果 # 真实值，蓝色实现 fig = plt.figure(figsize=(10,5)) axes = fig.add_subplot(111) axes.plot(dates,targets,'bo',label='actual') # 预测值，红色散点 axes.plot(dates,predict,'ro',label='predict') axes.set_xticks(dates[::50]) axes.set_xticklabels(dates[::50],rotation=45) plt.legend() plt.show() |
https://download.csdn.net/download/dgvv4/49801464
【本文地址】