神经网络回归模型代码

神经网络回归模型是一种用于解决回归问题的机器学习模型。下面是一个简单的神经网络回归模型的代码示例：

import numpy as np
import tensorflow as tf

# 创建训练数据
x_train = np.linspace(-1, 1, 100)
y_train = 2 * x_train + np.random.randn(*x_train.shape) * 0.3

# 定义神经网络结构
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=(1,))
])

# 编译模型
model.compile(optimizer='sgd', loss='mse')

# 训练模型
model.fit(x_train, y_train, epochs=100)

# 使用模型进行预测
x_test = np.linspace(-1, 1, 10)
y_pred = model.predict(x_test)

print(y_pred)

这段代码使用TensorFlow库来构建和训练一个简单的神经网络回归模型。首先，我们创建了一些训练数据，其中x_train是输入特征，y_train是对应的目标值。然后，我们定义了一个包含一个全连接层的神经网络模型。接下来，我们使用随机梯度下降（SGD）作为优化器，均方误差（MSE）作为损失函数来编译模型。最后，我们使用训练好的模型对新的输入数据x_test进行预测，并打印出预测结果y_pred。