Python基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后关注获取。

1.项目背景

Simple RNN是一种基础的循环神经网络，它能够处理序列数据，例如文本、时间序列等。与传统的前馈神经网络不同，Simple RNN在处理序列时会保留之前的信息，通过隐藏状态（hidden state）传递给下一个时间步，从而能够捕捉到序列中的依赖关系。

本项目使用基于基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战解决回归问题。  

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	x1
2	x2
3	x3
4	x4
5	x5
6	x6
7	x7
8	x8
9	x9
10	x10
11	y	因变量

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：   

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：     

4.探索性数据分析

4.1 y变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，y变量主要集中在-400~400之间。

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。 

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

5.3 数据样本增维

为满足循环神经网络模型的数据输入要求，需要增加1个维度。

增加维度维度后的训练集与测试集样本形状：

6.构建SimpleRNN回归模型

主要基于SimpleRNN回归算法，用于目标回归。 

6.1 构建模型

编号	模型名称	调优参数
1	SimpleRNN回归模型	units=30
2		epochs=100

6.2 模型摘要信息

6.3 模型网络结构

 

6.4 模型训练集测试集损失和准确率曲线图

7.模型评估 

7.1 评估指标及结果

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

模型名称	指标名称	指标值
测试集
SimpleRNN回归模型	R方	0.9537
	均方误差	1572.9726
	可解释方差值	0.9561
	平均绝对误差	31.8082

从上表可以看出，R方0.9537，为模型效果较好。

关键代码如下： 

7.2 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。    

8.结论与展望

综上所述，本文采用了基于TensorFlow实现简单循环神经网络回归模型(SimpleRNN回归算法)项目实战来构建回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。