Python基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后关注获取。
1.项目背景
Simple RNN是一种基础的循环神经网络,它能够处理序列数据,例如文本、时间序列等。与传统的前馈神经网络不同,Simple RNN在处理序列时会保留之前的信息,通过隐藏状态(hidden state)传递给下一个时间步,从而能够捕捉到序列中的依赖关系。
本项目使用基于基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战解决回归问题。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:
编号 | 变量名称 | 描述 |
1 | x1 | |
2 | x2 | |
3 | x3 | |
4 | x4 | |
5 | x5 | |
6 | x6 | |
7 | x7 | |
8 | x8 | |
9 | x9 | |
10 | x10 | |
11 | y | 因变量 |
数据详情如下(部分展示):
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据:
关键代码:
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息:
从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。
关键代码:
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下:
4.探索性数据分析
4.1 y变量直方图
用Matplotlib工具的hist()方法绘制直方图:
从上图可以看到,y变量主要集中在-400~400之间。
4.2 相关性分析
从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下:
5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:
5.3 数据样本增维
为满足循环神经网络模型的数据输入要求,需要增加1个维度。
增加维度维度后的训练集与测试集样本形状:
6.构建SimpleRNN回归模型
主要基于SimpleRNN回归算法,用于目标回归。
6.1 构建模型
编号 | 模型名称 | 调优参数 |
1 | SimpleRNN回归模型 | units=30 |
2 | epochs=100 |
6.2 模型摘要信息
6.3 模型网络结构
6.4 模型训练集测试集损失和准确率曲线图
7.模型评估
7.1 评估指标及结果
评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。
模型名称 | 指标名称 | 指标值 |
测试集 | ||
SimpleRNN回归模型 | R方 | 0.9537 |
均方误差 | 1572.9726 | |
可解释方差值 | 0.9561 | |
平均绝对误差 | 31.8082 |
从上表可以看出,R方0.9537,为模型效果较好。
关键代码如下:
7.2 真实值与预测值对比图
从上图可以看出真实值和预测值波动基本一致,模型拟合效果良好。
8.结论与展望
综上所述,本文采用了基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战来构建回归模型,最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。