Bài 15: Dự đoán hồi quy sử dụng MPL

Bài 15: Dự đoán hồi quy sử dụng MPL - Keras cơ bản

Đăng bởi: Admin | Lượt xem: 2203 | Chuyên mục: AI

Trong bài này, ta tiến hành viết một ANN dựa trên MPL đơn giản để thực hiện dự đoán hồi quy. Các bài trước ta chỉ thực hiện dự đoán dựa trên phân loại. Bây giờ, cố gắng dự đoán giá trị có thể tiếp theo bằng cách phân tích các giá trị trước đó (liên tục) và các yếu tố ảnh hưởng của nó.

MPL hồi quy có thể được biểu diễn như sau:

Các tính năng cốt lõi của mô hình như sau:

Lớp đầu vào bao gồm (13,) giá trị.
Lớp đầu tiên, Dense bao gồm 64 đơn vị và hàm activation ‘relu’ với bộ khởi tạo hạt nhân ‘bình thường’.
Lớp thứ hai, Dense bao gồm 64 đơn vị và hàm activation ‘relu’.
Lớp đầu ra, Dense gồm 1 đơn vị.
Sử dụng mse làm hàm mất mát.
Sử dụng RMSprop làm Trình tối ưu hóa.
Sử dụng độ chính xác làm thước đo.
Sử dụng 128 làm batch size.
Sử dụng 500 làm epochs.

Bước 1 − Nhập các thư viện cần thiết

import keras 

from keras.datasets import boston_housing 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.optimizers import RMSprop 
from keras.callbacks import EarlyStopping 
from sklearn import preprocessing 
from sklearn.preprocessing import scale

Bước 2 − Load dữ liệu

Sử dụng Boston housing dataset.

(x_train, y_train), (x_test, y_test) = boston_housing.load_data()

Trong đó :

boston_housing là một tập dữ liệu do Keras cung cấp. Nó đại diện cho một bộ sưu tập thông tin về nhà ở trong khu vực Boston, mỗi thông tin có 13 đặc điểm.

Bước 3 − Xử lý dữ liệu

Thay đổi tập dữ liệu theo mô hình và đưa vào mô hình. Dữ liệu có thể được thay đổi như sau -

x_train_scaled = preprocessing.scale(x_train) 
scaler = preprocessing.StandardScaler().fit(x_train) 
x_test_scaled = scaler.transform(x_test)

Ở đây, tôi đã chuẩn hóa dữ liệu đào tạo bằng cách sử dụng hàm sklearn.preprocessing.scale. Prerocessing.StandardScaler ().fit function trả về một đại lượng vô hướng với giá trị trung bình được chuẩn hóa và độ lệch chuẩn của dữ liệu huấn luyện, ta có thể áp dụng cho dữ liệu thử nghiệm bằng cách sử dụng hàm scalar.transform. Điều này sẽ chuẩn hóa dữ liệu kiểm tra cũng với cài đặt tương tự như cài đặt của dữ liệu đào tạo.

Bước 4 − Tạo mô hình

model = Sequential() 
model.add(Dense(64, kernel_initializer = 'normal', activation = 'relu',
input_shape = (13,))) 
model.add(Dense(64, activation = 'relu')) model.add(Dense(1))

Bước 5 − Biên dịch mô hình

Biên dịch mô hình bằng cách sử dụng hàm mất mát, trình tối ưu hóa và số liệu đã chọn.

model.compile(
   loss = 'mse', 
   optimizer = RMSprop(), 
   metrics = ['mean_absolute_error']
)

Bước 6 − Huấn luyện mô hình

Sử dụng phương thức fit()

history = model.fit(
   x_train_scaled, y_train,    
   batch_size=128, 
   epochs = 500, 
   verbose = 1, 
   validation_split = 0.2, 
   callbacks = [EarlyStopping(monitor = 'val_loss', patience = 20)]
)

Ở đây,mình đã sử dụng hàm callback, EarlyStopping. Mục đích của việc callback là để theo dõi giá trị tổn thất trong mỗi epoch và so sánh nó với giá trị tổn thất epoch trước đó để tìm ra sự cải thiện trong việc huấn luyện. Nếu không có sự cải thiện , thì toàn bộ quá trình sẽ bị dừng lại.

Train on 323 samples, validate on 81 samples Epoch 1/500 2019-09-24 01:07:03.889046: I 
tensorflow/core/platform/cpu_feature_guard.cc:142] 
Your CPU supports instructions that this 
TensorFlow binary was not co mpiled to use: AVX2 323/323 
[==============================] - 0s 515us/step - loss: 562.3129 
- mean_absolute_error: 21.8575 - val_loss: 621.6523 - val_mean_absolute_erro 
r: 23.1730 Epoch 2/500 
323/323 [==============================] - 0s 11us/step - loss: 545.1666 
- mean_absolute_error: 21.4887 - val_loss: 605.1341 - val_mean_absolute_error 
: 22.8293 Epoch 3/500 
323/323 [==============================] - 0s 12us/step - loss: 528.9944 
- mean_absolute_error: 21.1328 - val_loss: 588.6594 - val_mean_absolute_error 
: 22.4799 Epoch 4/500 
323/323 [==============================] - 0s 12us/step - loss: 512.2739 
- mean_absolute_error: 20.7658 - val_loss: 570.3772 - val_mean_absolute_error 
: 22.0853 Epoch 5/500
323/323 [==============================] - 0s 9us/step - loss: 493.9775 
- mean_absolute_error: 20.3506 - val_loss: 550.9548 - val_mean_absolute_error: 21.6547 
.......... 
.......... 
.......... 
Epoch 143/500 
323/323 [==============================] - 0s 15us/step - loss: 8.1004 
- mean_absolute_error: 2.0002 - val_loss: 14.6286 - val_mean_absolute_error: 
2. 5904 Epoch 144/500 
323/323 [==============================] - 0s 19us/step - loss: 8.0300 
- mean_absolute_error: 1.9683 - val_loss: 14.5949 - val_mean_absolute_error: 
2. 5843 Epoch 145/500 
323/323 [==============================] - 0s 12us/step - loss: 7.8704 
- mean_absolute_error: 1.9313 - val_loss: 14.3770 - val_mean_absolute_error: 2. 4996

Bước 7 − Đánh giá mô hình

Đánh giá mô hình sử dụng dữ liệu test

score = model.evaluate(x_test_scaled, y_test, verbose = 0) 
print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

Kết quả thực thi như sau :

Test loss: 21.928471583946077 Test accuracy: 2.9599233234629914

Bước 8 − Dự đoán

prediction = model.predict(x_test_scaled) 
print(prediction.flatten()) 
print(y_test)

Kết quả :

[ 7.5612316 17.583357 21.09344 31.859276 25.055613 18.673872 26.600405 22.403967 19.060272 22.264952 
17.4191 17.00466 15.58924 41.624374 20.220217 18.985565 26.419338 19.837091 19.946192 36.43445 
12.278508 16.330965 20.701359 14.345301 21.741161 25.050423 31.046402 27.738455 9.959419 20.93039 
20.069063 14.518344 33.20235 24.735163 18.7274 9.148898 15.781284 18.556862 18.692865 26.045074 
27.954073 28.106823 15.272034 40.879818 29.33896 23.714525 26.427515 16.483374 22.518442 22.425386 
33.94826 18.831465 13.2501955 15.537227 34.639984 27.468002 13.474407 48.134598 34.39617 
22.8503124.042334 17.747198 14.7837715 18.187277 23.655672 22.364983 13.858193 22.710032 14.371148 
7.1272087 35.960033 28.247292 25.3014 14.477208 25.306196 17.891165 20.193708 23.585173 34.690193 
12.200583 20.102983 38.45882 14.741723 14.408362 17.67158 18.418497 21.151712 21.157492 22.693687 
29.809034 19.366991 20.072294 25.880817 40.814568 34.64087 19.43741 36.2591 50.73806 26.968863 43.91787 
32.54908 20.248306 ] [ 7.2 18.8 19. 27. 22.2 24.5 31.2 22.9 20.5 23.2 18.6 14.5 17.8 50. 20.8 24.3 24.2 
19.8 19.1 22.7 12. 10.2 20. 18.5 20.9 23. 27.5 30.1 9.5 22. 21.2 14.1 33.1 23.4 20.1 7.4 15.4 23.8 20.1 
24.5 33. 28.4 14.1 46.7 32.5 29.6 28.4 19.8 20.2 25. 35.4 20.3 9.7 14.5 34.9 26.6 7.2 50. 32.4 21.6 29.8 
13.1 27.5 21.2 23.1 21.9 13. 23.2 8.1 5.6 21.7 29.6 19.6 7. 26.4 18.9 20.9 28.1 35.4 10.2 24.3 43.1 17.6 
15.4 16.2 27.1 21.4 21.5 22.4 25. 16.6 18.6 22. 42.8 35.1 21.5 36. 21.9 24.1 50. 26.7 25. ]

Bài tiếp theo: Dự đoán chuỗi thời gian bằng LSTM RNN >>

Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!