R语言深度学习Keras循环神经网络（RNN）模型预测多输出变量时间序列
在本教程中，我们将简要地学习如何用R中的Keras RNN模型来拟合和预测多输出的序列数据，你也可以对时间序列数据应用同样的方法。我们将使用Keras R接口在R中实现神经网络：
准备数据
定义模型
预测和可视化结果
我们将从加载R的必要包开始。
library(keras)准备数据
首先，我们将为本教程创建一个多输出数据集。它是随机产生的数据，下面有一些规则。在这个数据集中有三个输入变量和两个输出变量。我们将绘制生成的数据，以直观地检查它。
plot(s,?df$y1,?ylim?=?c(min(df),?max(df)),?type?=?"l")
lines(s,?df$y2,?type?=?"l")
lines(s,?df$x1,?type?=?"l")
lines(s,?df$x2,?type?=?"l")
lines(s,?df$x3,?type?=?"l")
接下来，我们将把数据分成训练和测试两部分。最后的50个元素将是测试数据。
train?=?df\[1:(n-tsize),?\]
test?=?df\[(n-tsize+1):n,?\]
我们将创建x输入和y输出数据来训练模型，并将它们转换成矩阵类型。
xtrain?=?as.matrix(data.frame(train$x1,?train$x2,?train$x3))
ytrain?=?as.matrix(data.frame(train$y1,?train$y2))
接下来，我们将通过给定的步长值对输入和输出值进行切分来准备数据。在这个例子中，步长值是2，我们将把x的第一和第二行以及y的第二行作为一个标签值。下一个元素成为x的第二和第三行以及y的第三行，这个序列一直持续到结束。下表解释了如何创建x和y数据的序列。
如果步长值为3，我们将取3行x数据，第三行y数据成为输出。
dim(trains$x)
\[1\]?798???3???2
dim(trains$y)
\[1\]?798???2
定义模型
我们将通过添加简单的RNN层、用于输出的Dense层和带有MSE损失函数的Adam优化器来定义序列模型。我们将在模型的第一层设置输入维度，在最后一层设置输出维度。
model?%>%?summary()
我们将用训练数据来拟合这个模型。
fit(trains$x,?trains$y)
并检查训练的准确性。
evaluate(trains$x,?trains$y,?verbose?=?0)
print(scores)
预测和可视化的结果
最后，我们将预测测试数据，用RMSE指标检查y1和y2的准确性。
cat("y1?RMSE:",?RMSE(tests$y\[,?1\],?ypred\[,?1\]))
``````
cat("y2?RMSE:",?RMSE(tests$y\[,?2\],?ypred\[,?2\]))
我们可以在图中直观地检查结果。
``````
plot(x_axes,?tests$y\[,?1\],?ylim?=?c(min(tests$y),?max(tests$y))type?=?"l",?lwd?=?2,
在本教程中，我们已经简单了解了如何用R中的Keras rnn模型来拟合和预测多输出的顺序数据。
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20230315A04GA700?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
