Python神经网络回归代码
时间: 2024-05-24 19:08:42 浏览: 14
当使用神经网络进行回归时,我们需要定义一个模型来预测一个或多个连续值的输出。下面是一个基本的Python代码示例,用于训练一个简单的神经网络回归模型:
```python
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# 创建一个简单的神经网络模型
model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(1))
# 编译模型
model.compile(loss='mean_squared_error', optimizer='adam')
# 创建一些样本数据
X = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
Y = np.array([2, 4, 6, 8, 10, 12, 14, 16, 18, 20])
# 训练模型
model.fit(X, Y, epochs=1000, verbose=0)
# 使用模型进行预测
predictions = model.predict(X)
# 输出预测结果
print(predictions)
```
这段代码中,我们首先导入了NumPy库和Keras库,然后定义了一个Sequential模型。在该模型中,我们添加了一个有10个神经元的全连接层,并使用ReLU激活函数进行激活。接下来,我们添加了一个输出层,该层只有一个神经元。我们使用均方误差损失函数来编译模型,并使用Adam优化算法进行优化。
接下来,我们创建了一些样本数据,其中X是输入特征,Y是对应的目标值。然后,我们使用fit()函数来训练模型。在这里,我们将训练模型1000次,并将verbose设置为0以关闭训练时的输出。
最后,我们使用predict()函数来预测新数据,并输出预测结果。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)