如何用CNN模型进行回归预测代码

使用卷积神经网络 (Convolutional Neural Networks, CNN) 进行回归预测通常用于图像处理或序列数据中，比如房价预测或时间序列预测。在Python的Keras库中，一个基本步骤包括：

# 导入所需库
from keras.models import Sequential
from keras.layers import Conv1D, Dense, Flatten
import numpy as np

# 假设你已经有了训练数据 X_train 和对应的标签 y_train

# 创建一个顺序模型
model = Sequential()

# 添加一个1D卷积层，注意这里用的是Conv1D而不是常用的2D Convolution for images
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], 1)))

# 接着添加池化层，帮助减少特征维度并提取关键信息
model.add(MaxPooling1D(pool_size=2))

# 将卷积层的输出展平以便输入全连接层
model.add(Flatten())

# 添加一到两个全连接层来进行学习和预测
model.add(Dense(64, activation='relu'))
model.add(Dense(1))  # 因为这是一个回归任务，输出一层，激活函数通常是线性的，如linear或tanh

# 编译模型，指定损失函数、优化器和评估指标
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mae'])

# 训练模型
history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

# 对新数据进行预测
predictions = model.predict(new_data)

#