用于高维度数据预测的神经网络模型python代码

在Python中，对于高维数据预测常用的神经网络模型是深度学习模型，例如卷积神经网络（CNN）用于图像处理，循环神经网络（RNN）或长短期记忆网络（LSTM）用于序列数据，而全连接神经网络（Dense Network）则适用于通用的分类和回归任务。这里以一个简单的全连接神经网络为例，使用Keras库，它在TensorFlow或Theano等后端之上构建：

import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense

# 假设我们有一个二维数据集X_train和对应的标签y_train
input_dim = X_train.shape[1]  # 假设输入特征数
output_dim = len(np.unique(y_train))  # 根据标签确定输出类别数

# 创建一个Sequential模型
model = Sequential()

# 添加隐藏层，一般会有多层
model.add(Dense(units=64, activation='relu', input_dim=input_dim))
model.add(Dense(units=32, activation='relu'))  # 可以调整层数和节点数

# 输出层，如果是分类问题通常用softmax激活函数，如果是回归用linear
if output_dim > 2:
    model.add(Dense(units=output_dim, activation='softmax'))
else:
    model.add(Dense(units=output_dim, activation='linear'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy' if output_dim > 2 else 'mean_squared_error', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32)

# 使用模型进行预测
predictions = model.predict(X_test)