使用已训练neural net神经网络预测明日气温的实现方法
明日气温预测实现方案
predict()就是你需要的正确函数,你对newdata参数的理解有偏差:这个参数只要求传入和训练集输入特征结构完全一致的数据,不限制必须是拆分好的测试集,你手动整理最新的历史观测数据传入即可。
具体实现步骤
- 第一步:整理明日预测所需的特征数据,列名、字段顺序、数据类型必须和训练时的输入特征完全对齐。比如训练时你用到了湿度、气压、过去3天平均气温3个输入特征,那新的输入数据也必须包含完全相同的3个字段,不能多也不能少。
- 第二步:用训练阶段完全相同的归一化参数处理新的输入数据。如果你训练时用的是min-max归一化,就用训练集的极值做归一化;如果是Z-score归一化,就用训练集的均值和标准差做归一化,绝对不能用新输入数据自己的统计量做归一化,否则预测结果会完全失真。
- 第三步:调用predict函数生成预测结果,如果训练时你对气温标签也做了归一化,需要做逆归一化才能得到实际气温值。
代码示例
# 整理最新历史特征,结构和训练输入完全一致 tomorrow_input <- data.frame( Humidity = 最新观测的湿度值, air_pressure = 最新观测的气压值, prev_temp_avg = 计算得到的过去N天平均气温, # 剩余训练用到的特征一一补全 ) # 用训练集保存的归一化参数处理输入(示例为Z-score归一化,train_center、train_scale是训练时保存的均值、标准差向量) tomorrow_input_scaled <- scale(tomorrow_input, center = train_center, scale = train_scale) # 生成预测结果 tomorrow_pred_scaled <- predict(nn, newdata = tomorrow_input_scaled) # 逆归一化得到实际气温(假设训练时气温标签用min-max归一化,train_temp_max、train_temp_min是训练集气温的极值) tomorrow_pred_real <- tomorrow_pred_scaled * (train_temp_max - train_temp_min) + train_temp_min
关于测试集格式化的方案
完全可以实现,你只需要把测试集的结构作为模板,提取出输入特征部分,把对应字段替换为你最新的历史观测值,删除标签列即可,不需要额外调整其他逻辑。
内容的提问来源于stack exchange,提问作者Ferdinand Wehle
相关产品推荐
相关产品推荐

