Keras之DNN：基于Keras(sigmoid+linear+mse+predict)利用DNN實作回歸預測——DIY多分類資料集&預測新資料點

輸出結果

實作代碼

# coding:utf-8

Xa=[]

Xb=[]

for i in range(0,len(X)):

   Xa.append(X[i][0])

   Xb.append(X[i][1])

print('a',Xa)

print('b',Xb)

plt.scatter(Xa,Xb,marker='o',c='',edgecolors='g')#edgecolors是控制圓圈的邊緣顔色，c是控制圓心的顔色，c=''就是空心

# 定義并拟合模型

model = Sequential()

model.add(Dense(4, input_dim=2, activation='relu'))

model.add(Dense(4, activation='relu'))

model.add(Dense(1, activation='linear'))

model.compile(loss='mse', optimizer='adam')

model.fit(X, y, epochs=1000, verbose=0)

# #T1、單個預測，新的未知資料執行個體

# # 未知的新資料

# Xnew = array([[0.29466096, 0.30317302]])

# # 作出預測

# ynew = model.predict(Xnew)

# print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

# # 顯示輸入和輸出

# plt.scatter(Xnew[0][0],Xnew[0][1],marker='^',c='',edgecolors='b')#edgecolors是控制圓圈的邊緣顔色，c是控制圓心的顔色，c=''就是空心

# plt.title('Keras-DNN-Single: sigmoid+linear+mse+predict——Jason Niu')

# plt.show()

#T2、多個預測，新的未知資料執行個體

# 未知的新資料

Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)

Xnew = scalarX.transform(Xnew)

# 作出預測

ynew = model.predict(Xnew)

# 顯示輸入和輸出

Xnew_x=[]

Xnew_y=[]

for i in range(len(Xnew)):

   print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

   Xnew_x.append(Xnew[i][0])

   Xnew_y.append(Xnew[i][1])  

plt.scatter(Xnew_x,Xnew_y,marker='.',c='',edgecolors='r')#edgecolors是控制圓圈的邊緣顔色，c是控制圓心的顔色，c=''就是空心

plt.title('Keras-DNN-Multiple: sigmoid+linear+mse+predict——Jason Niu')

plt.show()