原文鏈接：http://tecdat.cn/?p=18149

原文出處：拓端數(shù)據(jù)部落公眾號

?

當(dāng)我們將CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型用于訓(xùn)練多維類型的數(shù)據(jù)（例如圖像）時，它們非常有用。我們還可以實現(xiàn)CNN模型進(jìn)行回歸數(shù)據(jù)分析。我們之前使用Python進(jìn)行CNN模型回歸?，在本文中，我們在R中實現(xiàn)相同的方法。

視頻：R語言實現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析

?

我們使用一維卷積函數(shù)來應(yīng)用CNN模型。我們需要Keras R接口才能在R中使用Keras神經(jīng)網(wǎng)絡(luò)API。如果開發(fā)環(huán)境中不可用，則需要先安裝。本教程涵蓋：

1. 準(zhǔn)備數(shù)據(jù)

2. 定義和擬合模型

3. 預(yù)測和可視化結(jié)果

4. 源代碼

我們從加載本教程所需的庫開始。
?

1. library(keras)

2. library(caret)

準(zhǔn)備

數(shù)據(jù)在本教程中，我們將波士頓住房數(shù)據(jù)集用作目標(biāo)回歸數(shù)據(jù)。首先，我們將加載數(shù)據(jù)集并將其分為訓(xùn)練和測試集。
?

1. set.seed(123)

2. boston = MASS::Boston

3. indexes = createDataPartition(boston$medv, p = .85, list = F)

4. 


接下來，我們將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的x輸入和y輸出部分分開，并將它們轉(zhuǎn)換為矩陣類型。您可能知道，“ medv”是波士頓住房數(shù)據(jù)集中的y數(shù)據(jù)輸出，它是其中的最后一列。其余列是x輸入數(shù)據(jù)。
檢查維度。
?

1. dim(xtrain)

2. [1] 432 ?13

3. 


接下來，我們將通過添加另一維度來重新定義x輸入數(shù)據(jù)的形狀。
?

1. dim(xtrain)

2. [1] 432 ?13 ? 1

3. 


在這里，我們可以提取keras模型的輸入維。
?

1. print(in_dim)

2. [1] 13 ?1

定義和擬合模型

我們定義Keras模型，添加一維卷積層。輸入形狀變?yōu)樯厦娑x的（13,1）。我們添加Flatten和Dense層，并使用“ Adam”優(yōu)化器對其進(jìn)行編譯。
?

1. 


2. 


3. model %>% summary()

4. ________________________________________________________________________

5. Layer (type) ? ? ? ? ? ? ? ? ? ?Output Shape ? ? ? ? ? ? ? ? ?Param #

6. ========================================================================

7. conv1d_2 (Conv1D) ? ? ? ? ? ? ? (None, 12, 64) ? ? ? ? ? ? ? ?192

8. ________________________________________________________________________

9. flatten_2 (Flatten) ? ? ? ? ? ? (None, 768) ? ? ? ? ? ? ? ? ? 0

10. ________________________________________________________________________

11. dense_3 (Dense) ? ? ? ? ? ? ? ? (None, 32) ? ? ? ? ? ? ? ? ? ?24608

12. ________________________________________________________________________

13. dense_4 (Dense) ? ? ? ? ? ? ? ? (None, 1) ? ? ? ? ? ? ? ? ? ? 33

14. ========================================================================

15. Total params: 24,833

16. Trainable params: 24,833

17. Non-trainable params: 0

18. ________________________________________________________________________

19. 


20. 


接下來，我們將使用訓(xùn)練數(shù)據(jù)對模型進(jìn)行擬合。
?

1. 


2. print(scores)

3. loss

4. 24.20518

預(yù)測和可視化結(jié)果

現(xiàn)在，我們可以使用訓(xùn)練的模型來預(yù)測測試數(shù)據(jù)。

predict(xtest)

我們將通過RMSE指標(biāo)檢查預(yù)測的準(zhǔn)確性。
?

1. cat("RMSE:", RMSE(ytest, ypred))

2. RMSE: 4.935908

最后，我們將在圖表中可視化結(jié)果檢查誤差。
?

1. x_axes = seq(1:length(ypred))

2. 


3. lines(x_axes, ypred, col = "red", type = "l", lwd = 2)

4. legend("topl

??在本教程中，我們簡要學(xué)習(xí)了如何使用R中的keras CNN模型擬合和預(yù)測回歸數(shù)據(jù)。

最受歡迎的見解

1.r語言用神經(jīng)網(wǎng)絡(luò)改進(jìn)nelson-siegel模型擬合收益率曲線分析

2.r語言實現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測和結(jié)果可視化

3.python用遺傳算法-神經(jīng)網(wǎng)絡(luò)-模糊邏輯控制算法對樂透分析

4.用于nlp的python：使用keras的多標(biāo)簽文本lstm神經(jīng)網(wǎng)絡(luò)分類

5.用r語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實例

6.R語言基于Keras的小數(shù)據(jù)集深度學(xué)習(xí)圖像分類

7.用于NLP的seq2seq模型實例用Keras實現(xiàn)神經(jīng)機(jī)器翻譯

8.python中基于網(wǎng)格搜索算法優(yōu)化的深度學(xué)習(xí)模型分析糖

9.matlab使用貝葉斯優(yōu)化的深度學(xué)習(xí)

?