Не можете построить обучение и тестирование значений MAPE и MSE? - PullRequest
Новая
       60

Не можете построить обучение и тестирование значений MAPE и MSE?

0 голосов
/ 15 января 2020

Я работаю над кодом, который предсказывает скорость ветра. Сначала я использовал print (history.history.keys ()) для печати значений потерь, val_loss, mape и val_mean_absolute_percentage_error, но он отображает только dict_keys ( ['потеря', 'мэйп']) . Затем, поскольку он не имеет значений val_loss и val_mean_absolute_percentage_error, он отображает KeyError: 'val_mean_absolute_percentage_error'

Вы можете мне помочь?

Набор данных

Вот мой код: 

from __future__ import print_function 
from sklearn.metrics import mean_absolute_error
import math
import numpy as np
import matplotlib.pyplot as plt
from pandas import read_csv
from keras.models import Sequential
from keras.layers import Dense, LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error

# convert an array of values into a dataset matrix
def create_dataset(dataset, look_back=1):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[i:(i+look_back), 0]
dataX.append(a)
dataY.append(dataset[i + look_back, 0])
return np.array(dataX), np.array(dataY)

# fix random seed for reproducibility
np.random.seed(7)

# load the dataset
dataframe = read_csv(‘OND_Q4.csv’, usecols=[7], engine=’python’, header=3) 
dataset = dataframe.values
print(dataframe.head)
dataset = dataset.astype(‘float32′) 

# normalize the dataset
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)

# split into train and test sets
train_size = int(len(dataset) * 0.7) # Use 70% of data to train
test_size = len(dataset) – train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]
# reshape into X=t and Y=t+1
look_back = 1
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# reshape input to be [samples, time steps, features]
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))

#compile model
model.compile(loss=’mean_squared_error’, optimizer=’adam’,metrics=[‘mape’])
history=model.fit(trainX, trainY, epochs=5, batch_size=1, verbose=2)

# list all data in history
print(history.history.keys())
train_MAPE = history.history[‘mape’]
valid_MAPE = history.history[‘val_mean_absolute_percentage_error’]
train_MSE = history.history[‘loss’]
valid_MSE = history.history[‘val_loss’]

Спасибо

1 Ответ

0 голосов
/ 15 января 2020

Вам необходимо определить набор проверки в model.fit()

. Вы можете сделать это с помощью validation_split=0.2 (с плавающей точкой от 0 до 1. Часть данных обучения, которые будут использоваться в качестве данных проверки.)

Например history=model.fit(trainX, trainY, epochs=5, validation_split=0.2, batch_size=1, verbose=2)

Или вы можете использовать validation_data= (Данные для оценки потерь и любые метрики модели в конце каждой эпохи. Модель не будет обучаться на этих данных. validation_data переопределит validation_split. validation_data может быть: - кортеж (x_val, y_val) из Numpy массивов или тензоров - кортеж (x_val, y_val, val_sample_weights) из Numpy массивов - набор данных или итератор набора данных

...