pytorch GRU预测模型R² 代码

以下是一个使用 PyTorch 中 GRU 模型进行预测并计算 R² 的示例代码：

import torch
import torch.nn as nn
from sklearn.metrics import r2_score

# 定义 GRU 模型
class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRUModel, self).__init__()
        self.gru = nn.GRU(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        _, h_n = self.gru(x)
        out = self.fc(h_n.squeeze(0))
        return out

# 定义训练数据和标签
train_data = torch.randn(100, 10, 1)  # 100 个序列，每个序列有 10 个特征
train_label = torch.randn(100, 1)

# 定义模型、损失函数和优化器
model = GRUModel(1, 32, 1)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    output = model(train_data)
    loss = criterion(output, train_label)
    loss.backward()
    optimizer.step()

# 测试模型并计算 R²
test_data = torch.randn(50, 10, 1)
test_label = torch.randn(50, 1)
model.eval()
with torch.no_grad():
    pred = model(test_data)
    r2 = r2_score(test_label.numpy(), pred.numpy())
    print("R²:", r2)

在上面的代码中，我们使用 PyTorch 中的 `nn.GRU` 实现了一个 GRU 模型，通过训练数据和标签进行训练，并使用 `sklearn.metrics.r2_score` 计算预测结果和真实标签之间的 R² 值。