CNN（卷积神经网络）模型VS如何在R中使用keras CNN模型拟合和预测回归数据

神经网络已经存在很长时间了，那么人工智能和深度学习蓬勃发展的原因是什么最近几年？ ？ [1 秒] 答案部分在于摩尔定律以及硬件和计算能力的显着改进。现在我们可以用更少的钱做更多的事。顾名思义，神经网络的概念受到我们大脑中神经元网络的启发。神经元是非常长的细胞，每个细胞都有称为树突的突起，可以接收和传播来自周围神经元的电化学信号。结果，我们的脑细胞形成了灵活而强大的通信网络，这种类似装配线的分配过程支持复杂的认知能力，例如播放音乐和绘画。

视频：CNN（卷积神经网络）模型与R语言实现用于数据回归分析的CNN（卷积神经网络）模型的R语言实现拓端数据技术视频·103个播放

神经网络结构

神经网络通常包含一个输入层、一个或多个隐藏层和一个输出层。输入层由 p 个预测变量或输入单元/节点组成。不用说，标准化变量通常会更好。这些输入单元可以连接到第一隐藏层中的一个或多个隐藏单元。与前一层完全连接的隐藏层称为密集层。在图像中，两个隐藏层都被压缩。

输出层的计算预测

输出层计算预测，其中的单元数量由具体问题确定。通常，二元分类问题需要一个输出单元，而具有 k 个类别的多类问题将需要 k 个相应的输出单元。前者可以简单地使用sigmoid函数直接计算概率，而后者通常需要进行softmax变换，将所有k个输出单元中的所有值求和为1，因此可以将其视为概率。不需要分类预测。

权重

图中显示的每个箭头提供与权重相关的输入。每个权重本质上是许多系数估计之一，这些系数估计有助于计算相应箭头指向的节点处的回归

。这些是模型必须通过优化过程调整的未知参数，以最小化损失函数。在训练之前，所有权重都用随机值初始化。

优化和损失函数

在训练之前，我们需要做两件事：一是拟合标准，用于比较所有训练观测值的预测和已知标签；二是拟合标准，用于比较所有训练观测值的预测和已知标签；第二个是梯度下降法的优化计算，本质上是在提高拟合度的方向上同时调整所有权重估计。对于每种方法，我们都有一个损失函数或优化器。损失函数有很多种，所有这些都旨在量化预测误差，例如使用交叉熵

。流行的随机优化方法，例如 Adam。

卷积神经网络

卷积神经网络是一种特殊类型的神经网络，可以很好地用于图像处理，是根据上述原理设计的。名称中的“卷积”是由于滤波器处理图像中的方形像素块。因此，该模型可以在数学上捕获关键的视觉线索。例如，不同动物之间鸟嘴的差异很大。在下面的示例中，卷积神经网络可能会沿着包括卷积、池化和扁平化在内的一系列变换处理喙状结构，最终看到适当神经元的激活，理想情况下，鸟的预测概率是竞争类别中最高的。

图像可以表示为基于颜色强度的数值矩阵。单色图像使用 2D 卷积层进行处理，而彩色图像需要 3D 卷积层，我们使用前者。
内核（也称为滤波器）将方形像素块卷积为后续卷积层中的标量，从上到下扫描图像。
通过此过程，内核执行元素乘法，并将所有乘积求和为单个值，该值传递到下一个卷积层。
内核一次移动一个像素。这是内核执行滚动时使用的滑动窗口的步长，是逐渐调整的。较大的节距尺寸意味着更细、更小的转弯。
聚类是从卷积层中采样，在较低维度上呈现显着特征，防止过度拟合并减轻计算需求。聚类的两种主要类型是平均聚类和最大聚类。使用kernel和stride，池化相当于卷积，但取每帧的平均值或最大值。
扁平化 顾名思义，扁平化只是将最后一个卷积层转换为一维神经网络层。它为事实预测提供了基础。

R 语言实现

CNN（卷积神经网络）模型在用于训练图像等多维数据类型时非常有用。 CNN 模型也可以用于数据的回归分析。之前我们使用Python来回归CNN模型，在本视频中我们在R中实现了相同的方法。
我们使用一维卷积函数来使用CNN模型。要在R中使用Keras Neural Network API，我们需要Keras R接口，如果开发环境中没有，则需要先安装它。本教程涵盖：

1. 数据准备
2. 定义和拟合模型
3. 预测和可视化结果
4. 源代码

让我们首先加载本教程所需的库。

1. 库(keras)
2. 库(caret)

数据准备

在本教程中，我们使用 Boston Housing 数据集作为目标回归数据。首先，我们将加载数据集并将其分为训练集和测试集。

1. set.seed(123)
2. 波士顿 = MASS::波士顿
3. 索引 = createDataPartition(波士顿$medv, p = .85, 列表 = F)

1. 火车 = 波士顿[索引,]
2. test = boston[-indexes,]

接下来，我们将训练数据和测试数据的x输入和y输出部分分开，并将其转换为矩阵类型。您可能知道，“medv”是 Boston Housing 数据集中 y 数据的输出，也是其中的最后一列。其余列是 x 输入数据。
检查尺寸。

1. dim(xtrain)
2. [1] 432 13

1. dim(ytrain)
2. [1] 432 1

接下来，我们将通过添加另一个维度来重新定义 x 输入数据。

1. dim(xtrain)
2. [1] 432 13 1

1. dim(xtest)
2. [1] 74 13 1

这里我们可以提取 keras 模型的输入维度。

1. print(in_dim)
2. [1] 13 1

定义和调整模型

我们定义 Keras 模型并添加一维卷积层。输入形状变为如上定义的 (13,1)。添加 Flatten 和 Dense 层，并将它们与“Adam”优化器结合起来。

3. 模型 %>% 摘要()
4. ___________________________________________________________________________
5. 层（类型）输出形状参数 #
6. ===================== = ====================================================== =
7. conv1d_2 (Conv1D)（无、12、64） 192
8. _____________________________________________________________________________________
9. flatten_2（压平）（无、768） 0
10. _________________________________________________________________
11. d ense_3（密集）（无，32） 24608
12. ___________________________________________________________________________________________
13. 密集_4（密集）（无，1） 33
14. ============================= == === =============================================
15. 总计参数：24,833
16. 可训练参数：24,833
17. 不可训练参数：0
18. ____________________________________________________________________________________
20. ​
22. 接下来，我们将使用训练数据拟合模型。
    2. 打印（结果）
    3. 损失
    4. 24.20518
    

    预测和可视化结果

    现在我们可以使用训练好的模型来预测测试数据。

    predict(xtest)

    我们将使用 RMSE 指标检查预测的准确性。

    1. cat("RMSE:", RMSE(ytest, ypred))
    2. RMSE: 4.935908

    最后，我们将绘制结果来检查错误。

    1. x_axes = seq(1:length(ypred))
    3. lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
    4. legend("warm
    

    v在本教程中，我们简要学习了如何使用 R 中的 keras CNN 模型拟合和预测回归数据。