按照教程，我制作了一個神經網路，其資料集來自我制作的 csv 檔案。這是一個簡單的資料集，包含每個學生的第一次考試成績、第二次考試成績、第三次考試成績和國籍。目標是使用第一次和第二次考試成績以及國籍來預測第三次考試成績。下面是代碼的樣子。
column_names = ['First exam result', 'Second exam result', 'Third exam result', 'Country']
dataset = pd.read_csv('data1.csv', names=column_names, sep=';')
dataset = dataset.dropna() # clean data
# convert categorical 'Country' data into one-hot data
dataset.Country=pd.Categorical(dataset.Country, ['PL', 'ENG'], ordered=True)
dataset.Country=dataset.Country.cat.codes
# split data
train_dataset = dataset.sample(frac=0.8, random_state=0)
test_dataset = dataset.drop(train_dataset.index)
train_features = train_dataset.copy()
test_features = test_dataset.copy()
train_labels = train_features.pop('Third exam result')
test_labels = test_features.pop('Third exam result')
# Normalize
normalizer = preprocessing.Normalization()
normalizer.adapt(np.array(train_features))
loss = keras.losses.MeanAbsoluteError()
linear_model = tf.keras.Sequential([
normalizer,
layers.Dense(64, activation='relu'),
layers.Dense(64, activation='relu'),
layers.Dense(units=1)])
linear_model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.1), loss=loss)
linear_model.fit(
train_features, train_labels,
epochs=500,
verbose=1,
# Calculate validation results on 20% of the training data
validation_split=0.2)
linear_model.evaluate(
test_features, test_labels, verbose=1)
現在我想使用 testdata.csv 檔案進行預測，該檔案包含除第三次考試結果以外的所有資訊，但我不知道該怎么做。
prediction_data = pd.read_csv('testdata.csv', names=column_names, sep=';')
uj5u.com熱心網友回復：
你需要對測驗資料集做同樣的操作
prediction_data.dropna(inplace=True)
prediction_data.Country=pd.Categorical(prediction_data.Country, ['PL', 'ENG'], ordered=True)
prediction_data.Country=prediction_data.Country.cat.codes
normalizer.adapt(np.array(prediction_data)) #You need normalize test data too
predict = linear_model.predict(prediction_data)
轉載請註明出處，本文鏈接：https://www.uj5u.com/gongcheng/374940.html