python进行回归预测的深度学习时使用五折交叉验证的代码

下面是一个使用 Keras 和 Scikit-Learn 库进行五折交叉验证的回归预测代码示例：

import numpy as np
from sklearn.model_selection import KFold
from sklearn.metrics import mean_squared_error
from keras.models import Sequential
from keras.layers import Dense

# 生成示例数据
X = np.random.rand(1000, 10)
y = np.random.rand(1000)

# 定义模型
def create_model():
    model = Sequential()
    model.add(Dense(10, input_dim=10, activation='relu'))
    model.add(Dense(1, activation='linear'))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

# 初始化 KFold 分割器
kf = KFold(n_splits=5, shuffle=True)

# 定义变量以记录平均 RMSE
avg_rmse = 0.0

# 进行五折交叉验证
for train_idx, test_idx in kf.split(X):
    # 拆分数据集
    X_train, X_test = X[train_idx], X[test_idx]
    y_train, y_test = y[train_idx], y[test_idx]
    
    # 创建模型
    model = create_model()
    
    # 训练模型
    model.fit(X_train, y_train, epochs=50, batch_size=32, verbose=0)
    
    # 预测测试数据
    y_pred = model.predict(X_test)
    
    # 计算 RMSE
    rmse = np.sqrt(mean_squared_error(y_test, y_pred))
    
    # 输出 RMSE
    print('RMSE:', rmse)
    
    # 累加 RMSE
    avg_rmse += rmse

# 计算平均 RMSE
avg_rmse /= 5

# 输出平均 RMSE
print('Average RMSE:', avg_rmse)

这个示例代码将数据集拆分为五份，使用其中四份作为训练集，另外一份作为测试集，依次进行五次训练和预测。每次训练都使用相同的模型结构和超参数，但训练数据不同。最终计算出五次预测的 RMSE 并求平均值作为模型的性能评估指标。