Как сделать новый прогноз

Question

Позвольте мне объяснить, я работаю с искусственной нейронной сетью. Эта модель имеет 15 переменных, 14 независимых и одну зависимую. В независимых переменных у меня есть 3 категориальные переменные (day of week, month, direction(north,south, etc...)). Я уже кончаю их (monday = 1, tuesday = 2, and so...), также я горячий кодировать их (monday = [1,0,0,0], tuesday = [0,1,0,0]).

У меня вопрос: как я могу сделать прогноз с новыми значениями, как-то так.

X=['Monday','January','South']

Вот код

# Classification template

# Importing the libraries
import numpy as np
import pandas as pd

# Importing the dataset

dataset = pd.read_csv('clean.csv')

X = dataset.iloc[:, [4,5,6,9,12,15,16]].values
y = dataset.iloc[:, 14].values

#Encoding categorical Data
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelenconder_X = LabelEncoder()
X[:,1] = labelenconder_X.fit_transform(X[:,1])

labelenconder_X_2 = LabelEncoder()
X[:,2] = labelenconder_X_2.fit_transform(X[:,2])

labelenconder_X_7 = LabelEncoder()
X[:,4] = labelenconder_X_7.fit_transform(X[:,4])

labelenconder_X_9 = LabelEncoder()
X[:,5] = labelenconder_X_9.fit_transform(X[:,5])

labelenconder_X_10 = LabelEncoder()
X[:,6] = labelenconder_X_10.fit_transform(X[:,6])

onehotencoder = OneHotEncoder(categorical_features=[1,2,4,5,6])

X = onehotencoder.fit_transform(X).toarray()

X = X[:, 1:]



# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# Feature Scaling
#from sklearn.preprocessing import StandardScaler
#sc = StandardScaler()
#X_train = sc.fit_transform(X_train)
#X_test = sc.transform(X_test)

# Fitting classifier to the Training set
# Create your classifier here
import keras
from keras.models import Sequential
from keras.layers import Dense


classifier = Sequential()

                    #INPUT LAYER AND HIDDEN LAYER
classifier.add(Dense(units = 5, kernel_initializer = 'uniform', activation = 'relu', input_dim =9))

                    #ADDING SECOND HIDDEN LAYER
classifier.add(Dense(units = 5, kernel_initializer = 'uniform', activation =  'relu'))

                    #adding output node 
classifier.add(Dense(units= 1, kernel_initializer = 'uniform', activation = 'sigmoid'))

                    #Applygin Stochasting Gradient Descent

classifier.compile(optimizer='adam', loss = 'binary_crossentropy', metrics=['accuracy'])

classifier.fit(X_train, y_train, batch_size =28, epochs = 100)


classifier.save('ANN2.h5')
model = keras.models.load_model('ANN2.h5')
y_predict = model.predict(X_test)
y_predict = (y_predict > 0.40)

Answer 1

Если вы хотите кодировать все дни недели для прогноза, вероятно, понедельник должен быть [1,0,0,0,0,0,0]. Или вместо классификации вы используете регрессию (0,0 - 6,0).

Но, так как вы использовали X вместо y здесь, я не уверен, что ваш X=['Monday','January','South'] предназначен для ввода, а не для вывода (y). Если это так, вам не нужно однократное кодирование, и вы можете просто кодировать как, например, X=[0,0,2] с

• Понедельник 0
• вторник 1
• ...
• января 0
• 1 февраля
• Север 0
• Восток 1
• ...

Я согласен с @morsecodist, что для правильного ответа на ваш вопрос требуется больше информации.