使用神经网络预测持续时间 - TensorFlow 训练和预测示例

使用神经网络预测持续时间 - TensorFlow 训练和预测示例
本教程展示了如何使用 TensorFlow 构建神经网络模型，以预测基于持续时间、上行流量和下行流量等特征的持续时间。提供了完整的代码示例，包括数据准备、模型训练和预测。
代码示例：
python<br>X_train_reg = train_data[['duration', 'up_flow', 'down_flow']].values.reshape(-1, 3)<br>y_train_reg = train_data['duration'].values<br>X_test_reg = test_data[['duration', 'up_flow', 'down_flow']].values.reshape(-1, 3)<br>y_test_reg = test_data['duration'].values<br><br>import tensorflow as tf<br>from tensorflow.keras.models import Sequential<br>from tensorflow.keras.layers import Dense<br><br># 构建神经网络模型<br>model = Sequential()<br>model.add(Dense(32, input_shape=(3,), activation='relu'))<br>model.add(Dense(16, activation='relu'))<br>model.add(Dense(1, activation='linear'))<br><br># 编译模型<br>model.compile(optimizer='adam', loss='mean_squared_error')<br><br># 训练模型<br>model.fit(X_train_reg, y_train_reg, epochs=10, batch_size=32)<br><br># 预测结果<br>y_pred_reg = model.predict(X_test_reg)<br>
解释：
1. 数据准备：从训练和测试数据集中提取相关特征（持续时间、上行流量和下行流量）。
2. 模型构建：使用 TensorFlow 的 Sequential API 构建神经网络模型，包含三个密集层，激活函数分别为 relu 和 linear。
3. 模型编译：使用 Adam 优化器和均方误差损失函数编译模型。
4. 模型训练：使用训练数据训练模型，迭代 10 个 epoch，批次大小为 32。
5. 模型预测：使用测试数据预测持续时间，并输出预测结果。