R语言实现CNN（卷积神经网络）模型进行回归数据分析

Posted 2021-04-18 拓端数据部落

原文链接：http://tecdat.cn/?p=18149

 

当我们将CNN（卷积神经网络）模型用于训练多维类型的数据（例如图像）时，它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ，在本文中，我们在R中实现相同的方法。
我们使用一维卷积函数来应用CNN模型。我们需要Keras R接口才能在R中使用Keras神经网络API。如果开发环境中不可用，则需要先安装。本教程涵盖：

1. 准备数据

2. 定义和拟合模型

3. 预测和可视化结果

4. 源代码

我们从加载本教程所需的库开始。

 library(keras)library(caret)

准备

数据在本教程中，我们将波士顿住房数据集用作目标回归数据。首先，我们将加载数据集并将其分为训练和测试集。
 

set.seed(123)boston = MASS::Bostonindexes = createDataPartition(boston$medv, p = .85, list = F)

train = boston[indexes,]test = boston[-indexes,]

接下来，我们将训练数据和测试数据的x输入和y输出部分分开，并将它们转换为矩阵类型。您可能知道，“ medv”是波士顿住房数据集中的y数据输出，它是其中的最后一列。其余列是x输入数据。
检查维度。

 
dim(xtrain)[1] 432 13

dim(ytrain)[1] 432 1

接下来，我们将通过添加另一维度来重新定义x输入数据的形状。
 

dim(xtrain)[1] 432 13 1

dim(xtest)[1] 74 13 1

在这里，我们可以提取keras模型的输入维。

 
print(in_dim)[1] 13 1

定义和拟合模型

我们定义Keras模型，添加一维卷积层。输入形状变为上面定义的（13,1）。我们添加Flatten和Dense层，并使用“ Adam”优化器对其进行编译。
 

model %>% summary()________________________________________________________________________Layer (type) Output Shape Param #========================================================================conv1d_2 (Conv1D) (None, 12, 64) 192________________________________________________________________________flatten_2 (Flatten) (None, 768) 0________________________________________________________________________dense_3 (Dense) (None, 32) 24608________________________________________________________________________dense_4 (Dense) (None, 1) 33========================================================================Total params: 24,833Trainable params: 24,833Non-trainable params: 0________________________________________________________________________

接下来，我们将使用训练数据对模型进行拟合。
 

print(scores)loss24.20518

预测和可视化结果

现在，我们可以使用训练的模型来预测测试数据。

predict(xtest)

我们将通过RMSE指标检查预测的准确性。
 

cat("RMSE:", RMSE(ytest, ypred))RMSE: 4.935908

最后，我们将在图表中可视化结果检查误差。
 

x_axes = seq(1:length(ypred))

lines(x_axes, ypred, col = "red", type = "l", lwd = 2)legend("topl

  在本教程中，我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。

---

点击标题查阅往期内容

更多内容，请点击左下角“阅读原文”查看报告全文

案例精选、技术干货 第一时间与您分享

长按二维码加关注

更多内容，请点击左下角“阅读原文”查看报告全文