輸出結果
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5CMzQmNmN2MlZWY2YmYxADO3MTN0AzY3IDOlFDMjlDM48CX5d2bs92Yl1iclB3bsVmdlR2LcNWaw9CXt92Yu4GZjlGbh5yYjV3Lc9CX6MHc0RHaiojIsJye.png)
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()