全文链接：http://tecdat.cn/?p=23250
回归数据可以用Keras深度学习API轻松拟合。在本教程中，我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据（点击文末“阅读原文”获取完整代码数据）。
在这里，我们将看到如何创建简单的回归数据，建立模型，训练它，并最终预测输入数据。
相关视频
该教程包括
生成样本数据集
建立模型
训练模型并检查准确性
预测测试数据
源代码列表
我们将从加载R的Keras库开始。
library(keras)生成样本数据集
首先，本教程的样本回归时间序列数据集。
plot( c )
points( a )
points( b )
points( y )点击标题查阅往期内容
左右滑动查看更多
红线是y输出，其余的点是x输入的序列。
我们需要将x输入数据转换成矩阵类型。
x = as.matrix(data.frame(a,b,c))
y = as.matrix(y)建立模型
接下来，我们将创建一个keras序列模型。
loss = "mse",
optimizer = "adam",
metrics = list("mean\_absolute\_error")训练模型和检查准确性
接下来，我们将用x、y数据来拟合模型，并检查其准确性。
evaluate(x, y, verbose = 0)
print(scores)
接下来，我们将预测x数据，并在图中与原始y值进行比较。
plot(x, y)预测测试数据
接下来，我们将把数据集分成训练和测试两部分，再次训练模型，预测测试数据。
fit(train\_x,train\_y)
predict(test_x)最后，我们将绘制原始测试数据的Y值和预测值。
plot(x, test_y)
lines(x, y_pred)在本教程中，我们已经简单了解了如何在R中用keras神经网络模型拟合回归数据。
本文中分析的数据、代码分享到会员群，扫描下面二维码即可加群！
点击文末“阅读原文”
获取全文完整资料。
本文选自《R语言深度学习：用keras神经网络回归模型预测时间序列数据》。
点击标题查阅往期内容
