python回归分析预测模型_在Python中如何使用Keras模型对分类、回归进行预测
姓名:代良全 学号:13020199007
转载自:https://www.jianshu.com/p/83ba11abdffc
【嵌牛导读】: 在Python中如何使用Keras模型对分类、回归进行预测?本文简述了其实现原理和代码实现。
【嵌牛鼻子】:scikit-learn机器学习库的分类预测
【嵌牛提问】:如何在Keras中用我自己的模型进行预测?
【嵌牛正文】:
1.如何构建一个模型,为预测做好准备。
2.如何在Keras库中进行类别和概率预测。
3.如何在Keras库中进行回归预测。
一、构建一个模型
在进行预测之前,你必须训练一个最终模型。你可以使用k-fold交叉验证或训练/测试数据,对模型进行训练。这样做的目的就是为了评估模型在样本外数据上的表现及其性能,比如新的数据。
你可以在这里了解更多关于如何训练最终模型的信息:
二、对类别进行预测
分类问题,就是模型学习输入特征与输出特征之间的映射,确定某一个或多个数据实例是否为某一个类标签的问题,比如“是垃圾邮件”和“不是垃圾邮件”。
下面是在Keras中针对一个简单二元分类问题最终模型的示例代码。如何在Keras中开发一个神经网络模型,请看下面这篇文章:
模型构建完成以后,需要将模型保存到文件中,如Keras API。保存后,你可以随时加载模型并使用它进行预测。有关这方面的详细内容,请参阅以下文章:
现在,我们希望用最终模型进行两种分类预测:类别预测和概率预测。
1、类别预测
类别预测就是给定最终模型和一个或多个数据实例,使用模型对预测数据实例进行分类。
首先我们并不知道新数据的类别。这就是我们需要这个模型的原因。
在Keras库的最终分类模型中,使用predict_classes()函数来预测新数据实例的所属类别。请注意,predict_classes()函数仅适用于Sequential模型,并不适用于使用function API开发的模型。
例如,数组Xnew中有一个或多个数据实例,将这个(这些)实例传递给模型的predict_classes()函数,以便预测数组中每个实例所属的类别。
预测代码如下:
运行上述代码,对三个新的数据实例的类别进行预测,并将新的数据实例和预测结果打印出来,如下图所示。
如果只有一个新的数据实例,则可以直接将放入数组中,并传递给predict_classes()函数,如下图所示。
运行该实例,并打印该实例数据和预测结果,如下图所示。
关于类别标签的注意事项
准备好数据后,可能使用过LabelEncoder将图像的类别(例如字符串型)映射为整型。也可以用LabelEncoder中的inverse_transform()函数将整型再转换回字符串型。出于这个原因,在拟合最终模型时,您可能想要在pickle库中保存用于编码输出预测结果的LabelEncoder。
2、概率预测
概率预测就是预测每个数据实例所属类别的概率。给定一个或多个新实例,该模型将预测每个数据所属类别的概率,并返回0和1之间的某一个值。
你可以在scikit-learn中调用predict_proba()函数进行这些实例的类别概率的预测,如下图所示:
在两种类别(二元)的情况下,输出层通常使用S形激活函数。预测概率用来描述实例数据属于第一类的可能性。
在多种类别的情况下,输出层通常使用softmax激活函数,并返回所属类别的可能性。
下面的代码是对数据实例数组Xnew中的每个实例进行概率预测。
运行上述代码进行概率预测,并打印出输入数据实例以及每个实例数据属于第一类的概率。
三、如何使用回归模型进行预测
回归属于监督学习,给定输入实例数据,模型学习并将数据数据映射到一个合适的输出量,例如0.1,0.2等。
一个Keras最终的回归模型如下所示。
我们可以在最终模型上调用predict()函数来预测所述类别的概率。和分类一样,predict()函数将一个或多个数据实例的列表或数组作为输入。
下面的例子为在多个类别的新数据实例上进行回归预测。
运行上述代码,对多个数据实例进行预测,并将输出和预测结果打印出来,如下图所示。
将相同的函数用于适当的列表或数组中,就可以对单个数据实例进行预测,举例如下。
运行上述代码,并打印出数据实例和预测结果,如下图所示。
以上为译文。
作者:阿里云云栖社区
链接:https://www.jianshu.com/p/8cb19a1a8522
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
python回归分析预测模型_在Python中如何使用Keras模型对分类、回归进行预测相关推荐
- Py之scikit-learn:机器学习sklearn库的简介、六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类)、安装、使用方法(实际问题中如何选择最合适的机器学习算法)之详细攻略
Py之scikit-learn:机器学习sklearn库的简介(组件/版本迭代).六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类).安装.使用方法(实际问题中如何选择最合适的机器学 ...
- python selenium 下拉列表_从下拉列表中选择python selenium选项
我试图使用下面的代码使用selenium(python)从网页上的下拉列表中选择一个选项.在from selenium import webdriver from selenium.webdriver ...
- python 语料标注_在python中怎么标记文本?
要运行下面的python程序,必须在系统中安装(NLTK)自然语言工具包. NLTK模块是一个庞大的工具包,旨在帮助您使用整个自然语言处理(NLP)方法. 要安装NLTK,请在终端中运行以下命令.su ...
- python pipeline框架_介绍Python的Django框架中的静态资源管理器django-pipeline
django-pipeline 是一个 Django 下非常方便的静态资源管理 app,尤其是 1.2 版本之后,利用 django-staticfiles 的collectstatic 命令,在开发 ...
- python中立方表示_在Python中表示一个对象的方法
在 Python 中一切都是对象.如果要在 Python 中表示一个对象,除了定义 class 外还有哪些方式呢?我们今天就来盘点一下. 0x00 dict 字典或映射存储 KV 键值对,它对查找.插 ...
- python临床数据_从临床试验中获取数据
我正在开发一个小Python函数来从clinicalTrials.gov中获取数据.从每个研究记录中,我想从中找出研究的目标条件.例如,对于this研究记录,我需要以下内容:conditions = ...
- python注入进程_向进程中注入Python代码
我想把Python代码注入到一个进程中,当它注入时,它似乎会使我的进程崩溃.我没有在我自己的程序中得到任何错误,但目标进程停止工作.被调用的非托管api没有给我任何错误,并且似乎已经正确地执行了它们的 ...
- python创建矩阵_在Python中创建矩阵的Python程序
python创建矩阵 There is no specific data type in Python to create a matrix, we can use list of list to c ...
- python预定义_【Python】python类中方法的预定义
知乎问题: 像这个图片里面显示的,self.prediction首先声明了下然后下面给出了定义,然后optimize又调用这个函数但是没有用self.prediction()这样的方式而是像用变量一样 ...
最新文章
- eclipse常用插件介绍
- MATLAB遍历子文件夹及其下文件
- 注解方式使用 Redis 缓存
- php-fpm7.0,php-fpm7.0 慢查询设置及说明
- 题目1452:搬寝室(dp题目)
- annotation-driven里面的argument-resolvers参数??
- stream去重_List stream 对象 属性去重
- iOS在应用中添加自定义字体
- 机器人手眼标定原理介绍(含详细推导过程)使用Tsai-Lenz算法
- 推荐一个图片在线生成链接的网站
- cve_2019_0708 bluekeep复现踩坑
- RGB合成图片(misc)
- mysql CONCAT函数 用于隐藏银行卡号码
- 降了!京东物流全体员工公积金调整,由12%降到5%!
- configure配置脚本的使用
- ArcGIS教程:地理处理服务示例(裁剪与发送)(一)
- 解码阿里健康财报背后的“阵形”变化
- 51单片机的计时器和计数器
- Lumerical Mode 的电场分布数据导出到 Matlab 进行处理
- 如何定义B端产品及B端产品经理方法论
热门文章
- 差分数组|小a的轰炸游戏-牛客317E
- C#中如何将字符串转换byte[],同时如何将byte[]换成字符串?
- 1.Android新版开发教程笔记—Android ADB工具使用
- VB.NET 通常用法使用笔记
- 介绍一种新的激活函数族ACON
- CLD: 通过挖掘实例与聚类间关系进行无监督特征学习
- Anchor-free 目标检测之 ExtremeNet
- this java_Java this关键字详解
- 你知道吗?Python原来可以做这些
- 卷积神经网络CNN是靠什么线索学习到深度信息的?