# 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

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

当我们从excel表格中读取数据后，一般需要将数据转换为numpy数组或pandas数据框，以便进行后续的数据处理和建模。而在这个程序中，`data`是一个pandas数据框，其中`iloc`是基于整数位置进行索引的方法，`:`表示选取所有行，`:-1`表示选取所有列除了最后一列，`-1`表示选取最后一列。因此，`data.iloc[:, :-1].values`表示选取所有行和除了最后一列的所有列，将其转换为numpy数组，赋值给`X`。同理，`data.iloc[:, -1].values`表示选取所有行和最后一列，将其转换为numpy数组，赋值给`y`。这样做的目的是将特征值和输出变量分开，以便进行训练和测试。

self.x = data.iloc[:, 1:].values # 特征 self.y = data.iloc[:, 0].values # 有机质含量

这段代码是从 Pandas 的 DataFrame 中提取数据并将其转换为 NumPy 数组，其中 `data` 是一个 Pandas DataFrame 对象，包含了输入特征和标签。具体来说，`data.iloc[:, 1:].values` 表示提取 `data` 中除第一列以外的所有列，即输入特征，然后使用 `.values` 将其转换为 NumPy 数组。同理，`data.iloc[:, 0].values` 表示提取 `data` 中的第一列，即标签，然后使用 `.values` 将其转换为 NumPy 数组。

注意，这里使用的是 `.values`，而不是 `.to_numpy()`，因为前者已经被官方标记为过时的函数，建议使用后者。因此，你可以将上述代码改为：

self.x = data.iloc[:, 1:].to_numpy()  # 特征
self.y = data.iloc[:, 0].to_numpy()  # 有机质含量