import pandas as pd
import numpy as np
# Read dataset into X and Y
df = pd.read_csv('YOURDATASET.csv', delim_whitespace=True, header=None)
dataset = df.values
# for example, your dataset is all loaded into a matrix (aka an array with rows of data, and each Index representing those features mentioned A B C D E)
X = dataset[:, 0:1] + dataset[:, 3:4]
Y = dataset[:, 2]
#print "X: ", X
#print "Y: ", Y
# Define the neural network
from keras.models import Sequential
from keras.layers import Dense
def build_nn():
model = Sequential()
model.add(Dense(20, input_dim=5, init='normal', activation='relu'))
# No activation needed in output layer (because regression)
model.add(Dense(1, init='normal'))
# Compile Model
model.compile(loss='mean_squared_error', optimizer='adam')
return model
# Evaluate model (kFold cross validation)
from keras.wrappers.scikit_learn import KerasRegressor
# sklearn imports:
from sklearn.cross_validation import cross_val_score, KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
# Before feeding the i/p into neural-network, standardise the dataset because all input variables vary in their scales
estimators = []
estimators.append(('standardise', StandardScaler()))
estimators.append(('multiLayerPerceptron', KerasRegressor(build_fn=build_nn, nb_epoch=100, batch_size=5, verbose=0)))
pipeline = Pipeline(estimators)
kfold = KFold(n=len(X), n_folds=10)
results = cross_val_score(pipeline, X, Y, cv=kfold)
print "Mean: ", results.mean()
print "StdDev: ", results.std()
是的,你可以!但是,字段C和其他列之间需要有相关性。如果不是,那么预测将接近随机。在
将数据集分成训练、测试和验证。在
回答你的另一个问题(如果我没有用这个变量训练我的模型,有可能吗?)在
要理解这个问题,请比较一下你对波士顿住宅的态度。在
我想说,它实现这一点的一个方法是让你的网络简单地预测C或者将C作为标签
我一次又一次地看到这个。不要把神经网络和实际情况混淆。你只需学习一个函数F来近似给定输入X的输出Y。这是你的 在您的例子中,输出很容易是C+其他输出 取决于其他输出是什么,您的网络可以收敛并获得良好的结果。很可能不是这样,所以你的问题在这一点上是不完整的。
你必须问自己一些问题,比如:
在选择架构之前,您至少需要问自己一些问题。
也就是说,不,除非你训练你的网络去学习A B D和C之间的模式,否则它将无法预测缺失的输入。在
祝你好运,
加布里埃尔
相关问题 更多 >
编程相关推荐