深度学习从零开始 —— 神经网络(六),回归问题,波士顿房间数据 深度学习中,回归问题是指预测输入数据对应的一个连续值,而不是离散的标签。例如根据气象数据预测气温等等。在本节中,我们将使用波士顿房价数据集来演示回归问题。 波士顿房价数据集是根据13种不同数值,例如周边学校个数、犯罪率等等,来预测房价的数据集。该数据集有404个训练样本和102个测试样本,每个样本包含13个特征,目标是每个样本对应的房价,单位是千美元。 在加载数据时,我们使用Keras的boston_housing模块来加载数据集,并将其分为训练数据和测试数据。训练数据有404个样本,测试数据有102个样本,每个样本都包含13个特征。 数据预处理是深度学习中非常重要的一步。由于取值范围差异很大的数据输入到神经网络可能会导致网络学习困难,因此我们需要对数据进行标准化。标准化的方法是将每个特征减去平均值,再除以标准差,这样得到的特征平均值为0,标准差为1。 在构建网络时,我们定义了一个构建模型的方法,使用Keras的Sequential API来构建神经网络。该网络包含三个dense层,第一个dense层的输入维度是13,激活函数是ReLU,第二个dense层的激活函数也是ReLU,第三个dense层的激活函数是线性的。我们使用mean squared error作为损失函数,并使用adam优化器来优化网络参数。 在本节中,我们学习了回归问题的定义和波士顿房价数据集的使用,并了解了数据预处理的重要性和构建神经网络的方法。这些知识点对于深度学习的学习和应用都是非常重要的。 知识点: 1. 回归问题的定义:预测输入数据对应的一个连续值,而不是离散的标签。 2. 波士顿房价数据集:根据13种不同数值来预测房价的数据集。 3. 数据预处理:将取值范围差异很大的数据进行标准化,减去平均值,再除以标准差。 4. 构建神经网络:使用Keras的Sequential API来构建神经网络,定义了三个dense层。 5. 损失函数:使用mean squared error作为损失函数。 6. 优化器:使用adam优化器来优化网络参数。 本节中我们学习了深度学习中的回归问题和波士顿房价数据集的使用,并了解了数据预处理和构建神经网络的方法,这些知识点对于深度学习的学习和应用都是非常重要的。
下载后可阅读完整内容,剩余4页未读,立即下载
- 粉丝: 286
- 资源: 889
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- OptiX传输试题与SDH基础知识
- C++Builder函数详解与应用
- Linux shell (bash) 文件与字符串比较运算符详解
- Adam Gawne-Cain解读英文版WKT格式与常见投影标准
- dos命令详解:基础操作与网络测试必备
- Windows 蓝屏代码解析与处理指南
- PSoC CY8C24533在电动自行车控制器设计中的应用
- PHP整合FCKeditor网页编辑器教程
- Java Swing计算器源码示例:初学者入门教程
- Eclipse平台上的可视化开发:使用VEP与SWT
- 软件工程CASE工具实践指南
- AIX LVM详解:网络存储架构与管理
- 递归算法解析:文件系统、XML与树图
- 使用Struts2与MySQL构建Web登录验证教程
- PHP5 CLI模式:用PHP编写Shell脚本教程
- MyBatis与Spring完美整合:1.0.0-RC3详解