学习日记
这里继续看一下代码中各个阶段代码都是啥意思，当我们训练好魔性，要进行结果可视化，其实可视化就是通过loss图来看训练的模型效果怎么样。
结果可视化
可视化一般来说就是通过各种各样的图片来展现效果。
为什么要进行可视化？
因为人是视觉动物，对于图像的敏感度要比对纯数字的敏感度高的多。
人类对图像的处理速度比文本快6万倍，同时人类右脑记忆图像的速度比左脑记忆抽象文字快100万倍。数据可视化正是利用人类天生技能来增强数据处理和组织效率。
1. 绘制loss图
plt.plot(history.history['loss'] , label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Training and Validation Loss by K同学啊') # 使用plt.legend( )使上述代码产生效果 plt.legend() plt.show() #显示
plt.plot(x, y, ls=“-”, lw=2, label=“plot figure”)
x: x轴上的数值
y: y轴上的数值
ls：折线图的线条风格
lw：折线图的线条宽度
label：标记图内容的标签文本
2. 预测
predicted_stock_price = model.predict(x_test) # 测试集输入模型进行预测，X_test：为即将要预测的测试集 predicted_stock_price = sc.inverse_transform(predicted_stock_price) # 对预测数据还原---从（0，1）反归一化到原始范围 real_stock_price = sc.inverse_transform(test_set[60:]) # 对真实数据还原---从（0，1）反归一化到原始范围 # 画出真实数据和预测数据的对比曲线 plt.plot(real_stock_price, color='red', label='Stock Price') plt.plot(predicted_stock_price, color='blue', label='Predicted Stock Price') plt.title('Stock Price Prediction by K同学啊') plt.xlabel('Time') plt.ylabel('Stock Price') plt.legend() plt.show()
scaler.inverse_transform(X_scaled)是将标准化后的数据转换为原始数据。
3. 评估
一个深度学习模型在各类任务中的表现都需要定量的指标进行评估，才能够进行横向的对比比较，包含了分类、回归、质量评估、生成模型中常用的指标。
也就是说，当我们训练好模型，要评估效果，所以每个例子中都会有评估的代码，评估的方式有多种多样，评估的模型也有很多种，这个下次再说。
