Keras之DNN:基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集预测新数据点
Keras之DNN:基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集&预测新数据点
目录
输出结果
实现代码
输出结果
实现代码
# coding:utf-8Xa=[]
Xb=[]
for i in range(0,len(X)):Xa.append(X[i][0])Xb.append(X[i][1])
print('a',Xa)
print('b',Xb)
plt.scatter(Xa,Xb,marker='o',c='',edgecolors='g')#edgecolors是控制圆圈的边缘颜色,c是控制圆心的颜色,c=''就是空心# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)# #T1、单个预测,新的未知数据实例
# # 未知的新数据
# Xnew = array([[0.29466096, 0.30317302]])
# # 作出预测
# ynew = model.predict(Xnew)
# print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
# # 显示输入和输出
# plt.scatter(Xnew[0][0],Xnew[0][1],marker='^',c='',edgecolors='b')#edgecolors是控制圆圈的边缘颜色,c是控制圆心的颜色,c=''就是空心
# plt.title('Keras-DNN-Single: sigmoid+linear+mse+predict——Jason Niu')
# plt.show() #T2、多个预测,新的未知数据实例
# 未知的新数据
Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
Xnew = scalarX.transform(Xnew)
# 作出预测
ynew = model.predict(Xnew)
# 显示输入和输出
Xnew_x=[]
Xnew_y=[]
for i in range(len(Xnew)):print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))Xnew_x.append(Xnew[i][0])Xnew_y.append(Xnew[i][1])
plt.scatter(Xnew_x,Xnew_y,marker='.',c='',edgecolors='r')#edgecolors是控制圆圈的边缘颜色,c是控制圆心的颜色,c=''就是空心
plt.title('Keras-DNN-Multiple: sigmoid+linear+mse+predict——Jason Niu')
plt.show()
Keras之DNN:基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集预测新数据点相关推荐
- Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN实现分类预测概率——DIY二分类数据集预测新数据点
#Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN实现分类预测概率--DIY二分类数据集&预测新数据点 目录 ...
- Keras之DNN::基于Keras(sigmoid+binary_crossentropy+predict_classes)利用DNN实现二分类——DIY二分类数据集预测新数据点
Keras之DNN::基于Keras(sigmoid+binary_crossentropy+predict_classes)利用DNN实现二分类--DIY二分类数据集&预测新数据点 目录 输 ...
- Keras之DNN:利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型实现预测新数据(利用糖尿病数据集的八个特征进行二分类预测
Keras之DNN:利用DNN[Input(8)→(12+8)(relu)→O(sigmoid)]模型实现预测新数据(利用糖尿病数据集的八个特征进行二分类预测 目录 输出结果 设计思路 实现代码 输出 ...
- Keras之DNN:利用DNN算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病数据集训练、评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果)
Keras之DNN:利用DNN算法[Input(8)→12+8(relu)→O(sigmoid)]利用糖尿病数据集训练.评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果) 目录 输出结果 ...
- 基于keras的深度学习基本概念讲解
基于keras的深度学习基本概念讲解 Tensorflow1.0正式发布,谷歌首届Tensorflow开发者大会在山景召开,深度学习迎来新的高潮和狂欢.随着深度学习框架的普及和推广,会有越来越多人加入 ...
- DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成 目录 基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成 设计思路 ...
- DL之Keras:基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典,建议收藏)
DL之Keras:基于Keras框架建立模型实现[预测]功能的简介.设计思路.案例分析.代码实现之详细攻略(经典,建议收藏) 目录 Keras框架使用分析 Keras框架设计思路 案例分析 代码实现 ...
- bagging和时间序列预测_时间序列的LSTM模型预测——基于Keras
一.问题背景 现实生活中,在一系列时间点上观测数据是司空见惯的活动,在农业.商业.气象军事和医疗等研究领域都包含大量的时间序列数据.时间序列的预测指的是基于序列的历史数据,以及可能对结果产生影 ...
- 实战|手把手教你训练一个基于Keras的多标签图像分类器
图片来自 pexels,作者:Jean-Christophe André 2019 年第 63 篇文章,总第 87 篇文章 原文链接:https://www.pyimagesearch.com/201 ...
最新文章
- 能打又实用,推荐8个超实用【神级】在线工具网站,绝对干货
- 虚拟机创建静默快照报错:msg.snapshot.error-QUIESCINGERROR
- matlab cfun,【图片】求求各位大佬帮弱鸡看看【matlab吧】_百度贴吧
- MySQL-常用引擎
- 北京修复宕机故障之旅
- RSA公私钥加解密方式-工具类
- php 解压rar文件怎么打开方式,php 解压rar文件
- php observer,php设计模式 Observer (观察者模式)
- mouseover 和 hover 方法
- CodeForces - 18A Triangle(数学?)
- 2008年IT产业38个判断(转载)
- MM眉心为什么会长痘痘
- C#自定义控件添加至工具箱的方法
- 天啦噜!知道硬盘很慢,但没想到比 CPU L1 Cache 慢 10000000 倍
- Android开发之智能聊天机器人
- 【Python】把excel文件中的数据转化为字典格式存起来
- 爬虫抓取究竟是什么?
- python的docx库使用教程
- html是如何实现独占一行原理,前端知识(Html)汇总1
- 【五六七人口普查】我国省市两级人口基本情况