共计 3209 个字符，预计需要花费 9 分钟才能阅读完成。
全文下载链接： http://tecdat.cn/?p=27042
最近咱们被客户要求撰写对于新冠疫情的钻研报告，包含一些图形和统计输入。
在本文中，该数据依据世界各国提供的新病例数据提供。
获取工夫序列数据
df=pd.read_csv("C://global.csv")摸索数据
此表中的数据以累积的模式出现，为了找出每天的新病例，咱们须要减去这些值
df.head(10)这些数据是依据国家和地区报告新病例的数据，但咱们只想预测国家的新病例，因而咱们应用 groupby 依据国家对它们进行分组
总结数据
执行 groupby 以依据一个国家的新病例来汇总数据，而不是依据地区
d1=df.groupby(['Country/Region']).sum()形容随机抉择的国家的累计新病例增长
from numpy.random import seed
plt.plot(F[i], label = RD[i])
plt.show()# 咱们不须要前两列
d1=d1.iloc[:,2:]# # 查看是否有空值
d1.isnull().sum().any()咱们能够对每个国家进行预测，也能够对所有国家进行预测，这次咱们对所有国家进行预测
dlycnmdcas.head()dalycnfreces.indexdal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index)点击题目查阅往期内容
联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
左右滑动查看更多
01
02
03
04
plt.plot(dalnimedases)ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)
newcaesplt.plot(ne_s[1:])nw_s.shape(153,)将数据拆分为训练和测试数据
ct=0.75
trin_aa,tet_aa = train_test_split(ne_ces, pct)(116,)
``````
plt.plot(tainta)
plt.plot(tesata)数据标准化
scaler = MinMaxScaler()testa.shape(38, 1)创立序列
lentTe = len(ts_data)
for i in range(timmp, lenhTe):
X_st.append(tst_aa[i-tmStap:i])
y_tt.append(tesata[i])
X_tet=np.array(X_ts)
ytes=np.array(y_tt)X_st.shapeXtrn.shape# 序列的样本
X_trn[0], yran[0]为股票价格预测设计 RNN 模型
模型：
- LSTM
- GRU
model.summary()model.fit(X_trn y_rin, epochs=50, batch_size=200)yprd = (mod.predict(X_test))
MSE = mean_squared_error(ytue, y_rd)
plt.figure(figsize=(14,6))meRU= Sqtal([
keras.layers.GRU(model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)pe_rut = {}
y_ue = (y_et.reshape(-1,1))
y_prd = (modlGU.predict(X_test))
MSE = mean_squared_error(y_ue, ed)用于预测新病例的机器学习算法
筹备数据
d__in.shapemoel=LinearRegression(nos=-2)ARIMA
COVID-19 新病例预测的自回归综合挪动平均线
# 咱们不须要前两列
df1.head()
daly_nfrd_cses = df1.sum(axis=0)
day_cnir_ase.index = pd.to_datetime(da_onieses.index)new_cs = dacofmecss.diff().dropna().astype(np.int64)
tri_ta,tet_ata = trintt_it(nw_es, pct)ero = men_squred_eror(ts_ar, pricos)plt.figure(figsize=(12,7))
plt.plot(tanat)点击文末 “浏览原文”
获取全文残缺材料。
本文选自《Python 用 RNN 循环神经网络：LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID19 新冠疫情人数工夫序列预测》。
点击题目查阅往期内容
【视频】Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析 | 数据分享
深度学习实现自编码器 Autoencoder 神经网络异样检测心电图 ECG 工夫序列 spss modeler 用决策树神经网络预测 ST 的股票
Python 中 TensorFlow 的长短期记忆神经网络 (LSTM)、指数挪动平均法预测股票市场和可视化
RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
深度学习：Keras 应用神经网络进行简略文本分类剖析新闻组数据
用 PyTorch 机器学习神经网络分类预测银行客户散失模型
PYTHON 用 LSTM 长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python 用 Keras 神经网络序列模型回归拟合预测、准确度检查和后果可视化
R 语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与后果评估可视化
深度学习：Keras 应用神经网络进行简略文本分类剖析新闻组数据
Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R 语言深度学习 Keras 循环神经网络 (RNN) 模型预测多输入变量工夫序列
R 语言 KERAS 用 RNN、双向 RNNS 递归神经网络、LSTM 剖析预测温度工夫序列、IMDB 电影评分情感
Python 用 Keras 神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R 语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R 语言深度学习：用 keras 神经网络回归模型预测工夫序列数据
Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R 语言 KERAS 深度学习 CNN 卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB 中用 BP 神经网络预测人体脂肪百分比数据
Python 中用 PyTorch 机器学习神经网络分类预测银行客户散失模型
R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
SAS 应用鸢尾花 (iris) 数据集训练人工神经网络 (ANN) 模型
【视频】R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
Python 应用神经网络进行简略文本分类
R 语言用神经网络改良 Nelson-Siegel 模型拟合收益率曲线剖析
R 语言基于递归神经网络 RNN 的温度工夫序列预测
R 语言神经网络模型预测车辆数量工夫序列
R 语言中的 BP 神经网络模型剖析学生问题
matlab 应用长短期记忆（LSTM）神经网络对序列数据进行分类
R 语言实现拟合神经网络预测和后果可视化
用 R 语言实现神经网络预测股票实例
应用 PYTHON 中 KERAS 的 LSTM 递归神经网络进行工夫序列预测
python 用于 NLP 的 seq2seq 模型实例: 用 Keras 实现神经网络机器翻译
用于 NLP 的 Python：应用 Keras 的多标签文本 LSTM 神经网络分类
