print('使用模型进行预测...') filepath='./M1.h5' model = load_model(filepath)

读取 CSV 文件

data = pd.read_csv('验证m模型.csv')

提取第1列的数据并转换为浮点型

h0 = data.iloc[:, 0].values

提取第2列的数据并转换为浮点型

taus = data.iloc[:, 1].values

提取第3列的数据并转换为浮点型

tau0 = data.iloc[:, 2].values

提取第4到12列的数据并转换为浮点型

features = data.iloc[:, 3:12].values.astype(np.float32)

提取第12列的数据并转换为浮点型

target = data.iloc[:, 11].values.astype(np.float32)

对第1列的数据除以最大值,后面除以的值是用于训练模型时候归一化除以的值

h0_normalized = h0 / 500

对第2列的数据除以最大值,后面除以的值是用于训练模型时候归一化除以的值

taus_normalized = taus / 1000

对第3列的数据除以最大值,后面除以的值是用于训练模型时候归一化除以的值

tau0_normalized = tau0 / 1000

对第4到11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12列的数据除以最大值,后面除以的值是用于训练模型时候归一化除以的值

target_normalized = target / 0.469994596

将数据转换为 NumPy 数组

unknown = np.concatenate((h0_normalized.reshape(-1, 1), taus_normalized.reshape(-1, 1), tau0_normalized.reshape(-1, 1), 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[:, 0] = result.iloc[:, 0] * 70

将 DataFrame 以行为单位保存到 CSV 文件中

result.to_csv('m预测结果.csv', index=False, header=False)