原文链接：http://tecdat.cn/?p=23573 

原文出处：拓端数据部落公众号

我们可以很容易地用Keras序列模型拟合回归数据并预测测试数据。  在这篇文章中，我们将简要地学习如何用Python中的Keras神经网络API拟合回归数据。我们将用Keras回归和序列模型本身这两种方法检查模型。该教程涵盖了以下内容。

• 准备数据

• 定义模型

• 用KerasRegressor进行拟合（准确度检查和结果的可视化）

• 用序列模型进行拟合（准确度检查和结果可视化）。

我们将从加载所需的模块开始。
 

1. 


2. from keras.models import Sequential

准备数据

首先，我们将为本教程创建一个回归数据集样本。

1. x_ax = range(N)

2. plt.plot(x_ax, x, 'o')

3. plt.plot(x_ax, y, lw=1.5, color=c)

4. plt.legend()

红线是y输出，其余的点是x输入的特征。

定义模型

接下来，我们将建立一个keras序列模型。

1. def Model():

2. model = Sequential()

3. model.add(Dense(128, input_dim=3,activation='relu'))

4. ....

5. return model

6. 


7. Model()

用Keras回归模型拟合 

我们将上述模型纳入Keras回归模型中，用x和y的数据拟合模型。然后，我们可以预测x数据。

1. regressor.fit(x,y)

2. regressor.predict(x)

我们检查平均平方误差率mean_squared_error(y, y_pred)

最后，我们绘制结果。

1. plt.plot(y)

2. plt.plot(y_pred)

keras序列模型进行拟合
 

这一次，我们将在没有封装类的情况下拟合模型。

1. fit(x, y, nb_epoch=100)

2. model.predict(x) 

我们检查一个平均平方误差率。

mean_squared_error(y, y_krm)

最后，我们绘制结果。

在本教程中，我们已经简单地学习了如何用Python中的Keras神经网络模型来拟合和预测回归数据。谢谢您的阅读!

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