Question

我有A，B，C列作为输入，D，E，F，G列作为输出的数据。桌子的形状为（1000,7）。我想训练模型，验证并测试它。

我的数据：

A = [100, 120, 140, 160, 180, 200, 220, 240, 260, 280];
B = [300, 320, 340, 360, 380, 400, 420, 440, 460, 480];
C = [500, 520, 540, 560, 580, 600, 620, 640, 660, 680];

我想要的结果：

对于A，B，C的每种组合->我得到D，E，F，G作为输出（例如）：

D = 2.846485609 
E = 5.06656901
F = 3.255358183
G = 5.464482379)

此外，对于A，B，C的每个不同组合；我有一组不同的输出（D，E，F，G）。

我的问题： 是否有可能训练一个神经网络，使用这个经验丰富的网络来预测D，E，F，G的新值； A，B，C的新组合？

Answer 1

由于输出是连续值，因此该问题属于“多元回归”类别。因此，您可以训练具有4个输出节点和大小为4的输入特征向量的神经网络（NN）。使用tensorfow的具有一个隐藏层的样本NN模型如下：

import itertools
import numpy as np
from sklearn.preprocessing import StandardScaler
from tensorflow.python.keras.layers import Input, Dense
from tensorflow.python.keras.models import Model

A = [100, 120, 140, 160, 180, 200, 220, 240, 260, 280]
B = [300, 320, 340, 360, 380, 400, 420, 440, 460, 480]
C = [500, 520, 540, 560, 580, 600, 620, 640, 660, 680]

X_train = np.array(list(itertools.product(A, B, C)))
# X_train = np.random.random(size=(1000,3))
scaler = StandardScaler()
X = scaler.fit_transform(X_train)

Y_train = np.random.randint(0, 100, size=(1000, 4)).astype(float)  # Should load original label

X_test = np.random.random(size=(100, 3))
Y_test = np.random.randint(0, 100, size=(100, 4)).astype(float)

input = Input(shape=(3,))
hidden_layer_1 = Dense(25, activation='relu')(input)
output = Dense(4)(hidden_layer_1)

model = Model(inputs=input, outputs=output)
model.compile(
    optimizer='adam',
    loss=['mean_squared_error']
)

history = model.fit(X_train, Y_train, epochs=1000, batch_size=8)

result = model.predict(X_test)

神经网络–预测多个变量的值

1 个答案: