神经网络回归模型python
时间: 2024-04-12 10:25:19 浏览: 30
神经网络回归模型是一种用于预测连续数值的机器学习模型。在Python中,你可以使用各种库和框架来构建和训练神经网络回归模型,例如TensorFlow、Keras和PyTorch等。
以下是一个使用Keras库构建和训练神经网络回归模型的示例代码[^1]:
```python
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# Step 1: 准备数据
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 特征数据
y = np.array([10, 20, 30]) # 目标数据
# Step 2: 构建神经网络模型
model = Sequential()
model.add(Dense(10, input_dim=3, activation='relu'))
model.add(Dense(1, activation='linear'))
# Step 3: 编译和训练模型
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X, y, epochs=100, batch_size=1)
# Step 4: 进行数据回归预测
new_data = np.array([[2, 3, 4]]) # 待预测的特征数据
predictions = model.predict(new_data)
print(predictions) # 输出预测结果
```
在这个示例中,我们首先准备了特征数据X和目标数据y。然后,我们使用Keras库构建了一个简单的神经网络模型,包含一个具有10个神经元的隐藏层和一个输出层。接下来,我们编译并训练了模型,使用均方误差作为损失函数和Adam优化器。最后,我们使用训练好的模型对新的特征数据进行回归预测,并输出预测结果。