Python Keras中预测数据的逆比例
我试图用一个神经网络模型来预测新的数据。然而,预测数据的刻度不正确(当其应为0.3等时,从1e-10获得的值) 在我的模型中,我对x和y数据使用了minmaxscaler。当使用试验列车分割法时,模型给我的R2值为0.9,使用管道法和交叉val法时,模型给我的MSE值为0.01%。所以我相信我创建的模型是可以的 这是我做的模型Python Keras中预测数据的逆比例,python,machine-learning,keras,scikit-learn,neural-network,Python,Machine Learning,Keras,Scikit Learn,Neural Network,我试图用一个神经网络模型来预测新的数据。然而,预测数据的刻度不正确(当其应为0.3等时,从1e-10获得的值) 在我的模型中,我对x和y数据使用了minmaxscaler。当使用试验列车分割法时,模型给我的R2值为0.9,使用管道法和交叉val法时,模型给我的MSE值为0.01%。所以我相信我创建的模型是可以的 这是我做的模型 data=pd.read_csv(r'''F:\DataforANNfromIESFebAugPowerValues.csv''') data.dropna(axis=0
data=pd.read_csv(r'''F:\DataforANNfromIESFebAugPowerValues.csv''')
data.dropna(axis=0,how='all')
x=data[['Dry-bulb_temperature_C','Wind_speed_m/s','Cloud_cover_oktas','External_relative_humidity_%','Starrag1250','StarragEcospeed2538','StarragS191','StarragLX051','DoosanCNC6700','MakinoG7','HermleC52MT','WFL_Millturn','Hofler1350','MoriNT4250','MoriNT5400','NMV8000','MoriNT6600','MoriNVL1350','HermleC42','CFV550','MoriDura635','DMGUltrasonic10']]
y=data[['Process_heat_output_waste_kW','Heating_plant_sensible_load_kW','Cooling_plant_sensible_load_kW','Relative_humidity_%','Air_temperature_C','Total_electricity_kW','Chillers_energy_kW','Boilers_energy_kW']]
epochs=150
learning_rate=0.001
decay_rate=learning_rate/epochs
optimiser=keras.optimizers.Nadam(lr=learning_rate, schedule_decay=decay_rate)
def create_model():
model=Sequential()
model.add(Dense(21, input_dim=22, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(19, activation='relu')) #hidden layer 2
model.add(Dropout(0.2))
model.add(Dense(8, activation='sigmoid')) #output layer
model.compile(loss='mean_squared_error', optimizer=optimiser,metrics=['accuracy','mse'])
return model
scaler=MinMaxScaler()
x=MinMaxScaler().fit_transform(x)
print(x)
y=MinMaxScaler().fit_transform(y)
model=KerasRegressor(build_fn=create_model, verbose=0,epochs=150, batch_size=70)
model.fit(x, y, epochs=150, batch_size=70)
##SET UP NEW DATA FOR PREDICTIONS
xnewdata=pd.read_csv(r'''F:\newdatapowervalues.csv''')
xnewdata.dropna(axis=0,how='all')
xnew=xnewdata[['Dry-bulb_temperature_C','Wind_speed_m/s','Cloud_cover_oktas','External_relative_humidity_%','Starrag1250','StarragEcospeed2538','StarragS191','StarragLX051','DoosanCNC6700','MakinoG7','HermleC52MT','WFL_Millturn','Hofler1350','MoriNT4250','MoriNT5400','NMV8000','MoriNT6600','MoriNVL1350','HermleC42','CFV550','MoriDura635','DMGUltrasonic10']]
xnew=MinMaxScaler().fit_transform(xnew)
ynew=model.predict(xnew)
ynewdata=pd.DataFrame(data=ynew)
ynewdata.to_csv(r'''F:\KerasIESPowerYPredict.csv''',header=['Process_heat_output_waste_kW','Heating_plant_sensible_load_kW','Cooling_plant_sensible_load_kW','Relative_humidity_%','Air_temperature_C','Total_electricity_kW','Chillers_energy_kW','Boilers_energy_kW'])
看到我在初始训练模型上使用了定标器,我想我也需要对新数据进行此操作。我试过了
定标器逆_变换(ynew)
然而,在model.predict(ynew)之后,我得到了一个错误,minmaxscaler实例还不适合y。
因此,我尝试使用管道方法
estimators = []
estimators.append(('standardize', MinMaxScaler()))
estimators.append(('mlp', KerasRegressor(build_fn=create_model, epochs=150, batch_size=70, verbose=0)))
pipeline = Pipeline(estimators)
pipeline.fit(x,y)
对于初始训练模型,而不是
x=MinMaxScaler().fit_transform(x)
y=MinMaxScaler().fit_transform(y)
model=KerasRegressor(build_fn=create_model, verbose=0,epochs=150, batch_size=70)
model.fit(x, y, epochs=150, batch_size=70)
然后我用
ynew=管道预测(xnew)
然而,这给了我主要由1组成的数据
你知道我如何根据这些新数据正确预测吗?我不确定哪些数据需要缩放,哪些不太需要,因为我相信使用pipeline.predict会包括x和y的缩放。因此,在做出这些预测之后,我需要某种反向管道标量吗?
非常感谢您的帮助。您的方法有一个小问题和一个大问题
scaler
,以后不再使用它。让我们把它修好如您所见,我们首先使用
定标器
学习适当的规范化因子,然后在运行预测
的新数据上使用它(转换
)
scaler
,以后不再使用它。让我们把它修好如您所见,我们首先使用
定标器
学习适当的规范化因子,然后在运行predict
的新数据上使用它(transform
),谢谢您的帮助。当我在不缩放y数据的情况下运行模型时,我得到了一个糟糕的模型,accuray随时间减少,损失增加。我是否不需要缩放y数据,使其处于激活功能的范围内?谢谢您的帮助对不起,我没有注意到您正在使用sigmoid
。将其替换为线性
。说不需要缩放目标是不对的,它确实改变了优化问题,你可以在使用神经网络的边界框回归中很容易看到这一点。@MatiasValdenegro它是如何改变优化的?你能从数学或算法的角度说明它是如何影响优化问题的吗?这里有一个解释它是如何不影响它的:@LukaszTracewski对于一个神经网络来说,它确实会改变它,当你规范化目标并在输出处放置一个适当的激活,因此范围匹配,例如,将目标规范化为[0,1],并在网络的输出处放置一个sigmoid激活。您链接的答案不适用于复杂的非线性模型,在这些模型中,您还进行了一些小的体系结构更改。另一个原因是,如果不进行缩放,网络必须学习缩放,因此规范化并强制网络使用确定的缩放可以消除一个学习问题。这不仅仅是一个线性变换。谢谢你的帮助。当我在不缩放y数据的情况下运行模型时,我得到了一个糟糕的模型,accuray随时间减少,损失增加。我是否不需要缩放y数据,使其处于激活功能的范围内?谢谢您的帮助对不起,我没有注意到您正在使用sigmoid
。将其替换为线性
。说不需要缩放目标是不对的,它确实改变了优化问题,你可以在使用神经网络的边界框回归中很容易看到这一点。@MatiasValdenegro它是如何改变优化的?你能从数学或算法的角度说明它是如何影响优化问题的吗?这里有一个解释它是如何不影响它的:@LukaszTracewski对于一个神经网络来说,它确实会改变它,当你规范化目标并在输出处放置一个适当的激活,因此范围匹配,例如,将目标规范化为[0,1],并在网络的输出处放置一个sigmoid激活。您链接的答案不适用于复杂的非线性模型,在这些模型中,您还进行了一些小的体系结构更改。另一个原因是,如果不进行缩放,网络必须学习缩放,因此规范化并强制网络使用确定的缩放可以消除一个学习问题。这不仅仅是一个线性变换。
scaler=MinMaxScaler()
x=scaler.fit_transform(x)
model=KerasRegressor(build_fn=create_model, verbose=0,epochs=150, batch_size=70)
model.fit(x, y, epochs=150, batch_size=70)
##SET UP NEW DATA FOR PREDICTIONS
xnewdata=pd.read_csv(r'''F:\newdatapowervalues.csv''')
xnewdata.dropna(axis=0,how='all')
xnew=xnewdata[['Dry-bulb_temperature_C','Wind_speed_m/s','Cloud_cover_oktas','External_relative_humidity_%','Starrag1250','StarragEcospeed2538','StarragS191','StarragLX051','DoosanCNC6700','MakinoG7','HermleC52MT','WFL_Millturn','Hofler1350','MoriNT4250','MoriNT5400','NMV8000','MoriNT6600','MoriNVL1350','HermleC42','CFV550','MoriDura635','DMGUltrasonic10']]
xnew=scaler.transform(xnew)
ynew=model.predict(xnew)
ynewdata=pd.DataFrame(data=ynew)