目錄
1 匯入庫
2 分析資料
3 構建模型
3.1 定義輸入
3.2 創建模型
3.3 編譯模型
3.4 訓練模型
4 資料預測
1 匯入庫
2 分析資料
我們這次使用資料集是關于廣告與銷量的，名為Advertising
我們打開這個資料集看一下
資料為了避免泄露隱私問題，所以資料進行了脫敏處理，所以當前顯示數值中會按照一定計算方法對應另一個現實數值，也就是說當前顯示的數值不直接與顯示掛鉤，今后的資料集大多也都會進行脫敏處理
讀取資料之后我們查看一下前幾行
TV，radio,newspaper列下面的數值分別代表電視，廣播，報紙的投放量，sales列代表使用前三種投放量所帶來的銷量
我們從上面的介紹大致能猜一下，如果投放量越多，銷量也就越好，銷量和投放量中有線性的關系，我們下面把資料集作為圖畫出來驗證一下，x軸我們定義為TV的投放量，y軸定義為銷量
我們通過圖可以看出我們的猜想是基本正確的TV的投放量,銷量也就越高
我們下面再看一下radio與newspaper
- 廣播投放與銷量隱約也有一種線性關系
- 報紙投放與銷量的線性關系就不是很好
3 構建模型
3.1 定義輸入
我們的輸入為電視廣播報紙的投放量，我們先把這三列的值取出來
- 上面這個陳述句的意思是除去第一列和最后一列的所有列
之后我們定義輸入，輸出為csv檔案中的最后一列，這個是我們的銷量
3.2 創建模型
我們可以把層直接寫在Sequential()中，10是意思是該層的神經元個數，input_shape輸入為三維輸入(電視，廣播，報紙分別占一個)，后面的一層是輸出層，我們只需要回歸一個結果
我們看一下當前的模型,dense層我們可以理解為該神經元在執行 y = ax + b 這個操作
這個dense我們可以這樣理解，之前我們做線性回歸的時候，一個dense的神經元有兩個引數，這時因為我們的輸入是一維的，那么我們dense的運算就為 y = ax + b
當前我們的輸入為3維，那么dense的運算就為 y = a1x1 + a2x2 + a3x3 + b，a1,a2,a3是電視，廣播，報紙輸入對應的權重，b是偏置，這樣我們一個神經元就有a1,a2,a3,b這四個引數，我們當前定義了10個神經元，所以第一層的引數為40
那么我們第二個dense層的就是進行了這個操作 y = a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + a6x6 + a7x7 + a8x8 + a9x9 + a10x10 + b，一共有10個引數
3.3 編譯模型
優化器使用adam，損失值使用loss
3.4 訓練模型
輸入為之前定義的x,輸出為之前定義的y，訓練100次，一個epoch是一次正向轉播加一次反向傳播的程序
4 資料預測
我們首先定義要預測的資料test,10的意思是我們使用data中的前10行資料，1與-1是從第1列到倒數第2列
- 寫-1是因為在iloc()中的中括號包含左不包含右
之后我們對test進行預測
我們再看一下實際的資料，前10行的最后一列
- 這里的-1與上面的用法不同，我們這個是指定列
我們可以看到預測的資料和原本的資料相似，通過這次的這個代碼和前面的線性回歸我們可以了解到，資料僅僅為數值時，我們使用dense就可以解決問題
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/301421.html
標籤：AI
上一篇：Distilling Holistic Knowledge with Graph Neural Networks論文解讀
下一篇：機器學習基礎一站通