print('使用模型进行预测...') filepath = './sancanshu1.h5' model = load_model(filepath)

读取验证模型的 CSV 文件

data = pd.read_csv('验证模型.csv')

提取第1到9列的数据

features = data.iloc[:, :9].values.astype(np.float32)

提取第10列的数据

target = data.iloc[:, 9].values.astype(np.float32)

对第1到9列的每行数据除以每行数据中的最大值,后面除以的值是用于训练模型时候归一化除以的值

features_normalized = features / 2871.158436

对第10列的数据除以最大值

target_normalized = target / 0.469994596

将数据转换为 NumPy 数组

unknown = np.concatenate((features_normalized, target_normalized.reshape(-1, 1)), axis=1)

进行预测

predicted = model.predict(unknown, verbose=1)

将预测结果保存到新的 CSV 文件中

将预测结果转换为 DataFrame

result = pd.DataFrame(predicted, columns=[f'prediction_{i}' for i in range(predicted.shape[1])])

将预测结果反归一化

result.iloc[:, 1] = result.iloc[:, 1] * 500 result.iloc[:, 2] = result.iloc[:, 2] * 1000 result.iloc[:, 3] = result.iloc[:, 3] * 1000

将 DataFrame 以行为单位保存到 CSV 文件中

result.to_csv('三参数预测结果.csv', index=False, header=False, mode='a')