共计 1678 个字符，预计需要花费 5 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=23902
递归神经网络被用来剖析序列数据。它在暗藏单元之间建设递归连贯，并在学习序列后预测输入。
在本教程中，咱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入的序列数据，你也能够对工夫序列数据利用同样的办法。咱们将应用 Keras R 接口在 R 中实现神经网络：
- 筹备数据
- 定义模型
- 预测和可视化后果
咱们将从加载 R 的必要包开始。
library(keras)筹备数据
首先，咱们将为本教程创立一个多输入数据集。它是随机产生的数据，上面有一些规定。在这个数据集中有三个输出变量和两个输入变量。咱们将绘制生成的数据，以直观地查看它。
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，咱们将把数据分成训练和测试两局部。最初的 50 个元素将是测试数据。
train = df\[1:(n-tsize), \]
test = df\[(n-tsize+1):n, \] 咱们将创立 x 输出和 y 输入数据来训练模型，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$y2)) 接下来，咱们将通过给定的步长值对输出和输入值进行切分来筹备数据。在这个例子中，步长值是 2，咱们将把 x 的第一和第二行以及 y 的第二行作为一个标签值。下一个元素成为 x 的第二和第三行以及 y 的第三行，这个序列始终继续到完结。下表解释了如何创立 x 和 y 数据的序列。
如果步长值为 3，咱们将取 3 行 x 数据，第三行 y 数据成为输入。
dim(trains$x)
\[1\] 798 3 2
dim(trains$y)
\[1\] 798 2
定义模型
咱们将通过增加简略的 RNN 层、用于输入的 Dense 层和带有 MSE 损失函数的 Adam 优化器来定义序列模型。咱们将在模型的第一层设置输出维度，在最初一层设置输入维度。
model %>% summary()
咱们将用训练数据来拟合这个模型。
fit(trains$x, trains$y) 并查看训练的准确性。
evaluate(trains$x, trains$y, verbose = 0)
print(scores)
预测和可视化的后果
最初，咱们将预测测试数据，用 RMSE 指标查看 y1 和 y2 的准确性。
cat("y1 RMSE:", RMSE(tests$y\[, 1\], ypred\[, 1\]))
``````
cat("y2 RMSE:", RMSE(tests$y\[, 2\], ypred\[, 2\]))
咱们能够在图中直观地查看后果。``````
plot(x_axes, tests$y\[, 1\], ylim = c(min(tests$y), max(tests$y))type = "l", lwd = 2,
在本教程中，咱们曾经简略理解了如何用 R 中的 Keras rnn 模型来拟合和预测多输入的程序数据。
最受欢迎的见解
1.r 语言用神经网络改良 nelson-siegel 模型拟合收益率曲线剖析
2.r 语言实现拟合神经网络预测和后果可视化
3.python 用遗传算法 - 神经网络 - 含糊逻辑控制算法对乐透剖析
4. 用于 nlp 的 python：应用 keras 的多标签文本 lstm 神经网络分类
5. 用 r 语言实现神经网络预测股票实例
6.R 语言基于 Keras 的小数据集深度学习图像分类
7. 用于 NLP 的 seq2seq 模型实例用 Keras 实现神经机器翻译
8.python 中基于网格搜索算法优化的深度学习模型剖析糖
9.matlab 应用贝叶斯优化的深度学习