# 加载数据 X = data.iloc[:, :-1].values y = data.iloc[:, -1:].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 input_dim=13 hidden_dim=25 output_dim=1 nn=NeuralNetwork(input_dim, hidden_dim, output_dim) learning_rate=0.002 num_epochs=1000 loss_history=nn.train(X, y, learning_rate, num_epochs) plt.plot(loss_history) plt.title('loss') plt.xlabel('Epoch') plt.ylabel('MSE')根据这些代码续写预测代码

假设你已经训练好了神经网络模型 nn，下面是续写的预测代码：

# 预测
y_pred = nn.predict(X_test)

# 可视化预测结果和真实结果
plt.plot(y_test, label='true')
plt.plot(y_pred, label='pred')
plt.legend()

# 输出模型评估指标
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)
print('MSE:', mse)
print('MAE:', mae)

以上代码中，预测结果存储在 y_pred 变量中，真实结果存储在 y_test 变量中。接着，使用 matplotlib 库可视化预测结果和真实结果的趋势。最后，使用 mean_squared_error 和 mean_absolute_error 函数计算模型的均方误差和平均绝对误差，并输出评估指标的值。

相关问题

X = data.iloc[:, :-1].values y = data.iloc[:, -1:].values

这段代码使用了 Pandas 库中的 `iloc` 方法，从数据集中分别选取了除最后一列以外的所有列作为输入数据 `X`，选取了最后一列作为输出数据 `y`。具体来说，代码中的 `data` 变量应该是一个 Pandas 数据框（DataFrame）类型的数据集。`iloc` 方法是 Pandas 中用于通过行号和列号进行索引的方法。`iloc[:, :-1]` 表示选取所有行，但是只选取从第一列到倒数第二列的所有列，即除最后一列以外的所有列；`iloc[:, -1:]` 表示选取所有行，但是只选取最后一列。`values` 方法是 Pandas 中用于将数据框转换为 numpy 数组的方法。因此，最终得到的 `X` 和 `y` 都是 numpy 数组类型的数据。这里的 `:` 表示选取该维度上的所有元素。

X = data.iloc[:, :-1].values y = data.iloc[:, -1].values

这是一个典型的从 Pandas DataFrame 中获取特征矩阵和标签向量的代码片段。其中 `data` 是一个 DataFrame，它包含了特征和标签。`iloc[:, :-1]` 表示选取除了最后一列以外的所有列作为特征，`:, -1` 表示选取最后一列作为标签。`values` 属性将 DataFrame 转换为 Numpy 数组，以便在机器学习算法中使用。