tensorflow2.5.0构建神经网络实现回归

下面是一个简单的例子，使用TensorFlow 2.5.0构建神经网络实现回归。

首先，我们需要导入所需的库和数据集：

import tensorflow as tf
from tensorflow import keras
import pandas as pd

# 导入数据集
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values.reshape(-1, 1)

然后，我们需要对数据进行预处理，将其标准化：

# 标准化数据
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X = scaler.fit_transform(X)
y = scaler.fit_transform(y)

接下来，我们可以构建神经网络模型：

model = keras.Sequential([
    keras.layers.Dense(32, activation='relu', input_shape=[X.shape[1]]),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(1)
])

我们使用了一个具有两个隐藏层的神经网络，其中第一个隐藏层具有32个神经元，第二个隐藏层具有16个神经元。最后一层是输出层，具有一个神经元。

然后，我们可以编译模型并训练：

model.compile(optimizer='adam', loss='mse')

history = model.fit(X, y, epochs=100, validation_split=0.2)

在此示例中，我们使用均方误差作为损失函数，并使用Adam优化器进行优化。我们将数据集分割为80％的训练集和20％的验证集，并训练模型100个epochs。

最后，我们可以使用模型进行预测：

y_pred = model.predict(X)

# 反标准化数据
y_pred = scaler.inverse_transform(y_pred)
y = scaler.inverse_transform(y)

# 计算均方根误差
from sklearn.metrics import mean_squared_error

rmse = mean_squared_error(y, y_pred, squared=False)
print('RMSE:', rmse)

我们使用反标准化将预测值和实际值转换回原始数据范围，并计算均方根误差。

完整的代码如下所示：

import tensorflow as tf
from tensorflow import keras
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

# 导入数据集
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values.reshape(-1, 1)

# 标准化数据
scaler = StandardScaler()
X = scaler.fit_transform(X)
y = scaler.fit_transform(y)

# 构建神经网络模型
model = keras.Sequential([
    keras.layers.Dense(32, activation='relu', input_shape=[X.shape[1]]),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(1)
])

# 编译模型并训练
model.compile(optimizer='adam', loss='mse')

history = model.fit(X, y, epochs=100, validation_split=0.2)

# 使用模型进行预测
y_pred = model.predict(X)

# 反标准化数据
y_pred = scaler.inverse_transform(y_pred)
y = scaler.inverse_transform(y)

# 计算均方根误差
rmse = mean_squared_error(y, y_pred, squared=False)
print('RMSE:', rmse)