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：
 

  1. 筹备数据
  2. 定义模型
  3. 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   2dim(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