Keras之DNN：基于Keras(sigmoid+linear+mse+predict)利用DNN實現回歸預測——DIY多分類數據集&預測新數據點

?

?

目錄

輸出結果

實現代碼

---

?

?

?

?

輸出結果

實現代碼

# 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是控制圓圈的邊緣顏色，c是控制圓心的顏色，c=''就是空心# 定義并擬合模型 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、單個預測，新的未知數據實例 # # 未知的新數據 # Xnew = array([[0.29466096, 0.30317302]]) # # 作出預測 # ynew = model.predict(Xnew) # print("X=%s, Predicted=%s" % (Xnew[0], ynew[0])) # # 顯示輸入和輸出 # plt.scatter(Xnew[0][0],Xnew[0][1],marker='^',c='',edgecolors='b')#edgecolors是控制圓圈的邊緣顏色，c是控制圓心的顏色，c=''就是空心 # plt.title('Keras-DNN-Single: sigmoid+linear+mse+predict——Jason Niu') # plt.show() #T2、多個預測，新的未知數據實例 # 未知的新數據 Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1) Xnew = scalarX.transform(Xnew) # 作出預測 ynew = model.predict(Xnew) # 顯示輸入和輸出 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是控制圓圈的邊緣顏色，c是控制圓心的顏色，c=''就是空心 plt.title('Keras-DNN-Multiple: sigmoid+linear+mse+predict——Jason Niu') plt.show()

?

?

?

?

?

總結

以上是生活随笔為你收集整理的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的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。