当我们将CNN（卷积神经网络）模型用于训练多维类型的数据（例如图像）时，它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ，在本文中，我们在R中实现相同的方法。
我们使用一维卷积函数来应用CNN模型。我们需要Keras R接口才能在R中使用Keras神经网络API。如果开发环境中不可用，则需要先安装。本教程涵盖：
- 准备数据
- 定义和拟合模型
- 预测和可视化结果
- 源代码
我们从加载本教程所需的库开始。
library(keras) library(caret)
准备
数据在本教程中，我们将波士顿住房数据集用作目标回归数据。首先，我们将加载数据集并将其分为训练和测试集。
set.seed(123) boston = MASS::Boston indexes = createDataPartition(boston$medv, p = .85, list = F) train = boston[indexes,] test = boston[-indexes,]
接下来，我们将训练数据和测试数据的x输入和y输出部分分开，并将它们转换为矩阵类型。您可能知道，“ medv”是波士顿住房数据集中的y数据输出，它是其中的最后一列。其余列是x输入数据。
检查维度。
dim(xtrain) [1] 432 13 dim(ytrain) [1] 432 1
接下来，我们将通过添加另一维度来重新定义x输入数据的形状。
dim(xtrain) [1] 432 13 1 dim(xtest) [1] 74 13 1
在这里，我们可以提取keras模型的输入维。
print(in_dim) [1] 13 1
定义和拟合模型
我们定义Keras模型，添加一维卷积层。输入形状变为上面定义的（13,1）。我们添加Flatten和Dense层，并使用“ Adam”优化器对其进行编译。
model %>% summary() ________________________________________________________________________ Layer (type) Output Shape Param # ======================================================================== conv1d_2 (Conv1D) (None, 12, 64) 192 ________________________________________________________________________ flatten_2 (Flatten) (None, 768) 0 ________________________________________________________________________ dense_3 (Dense) (None, 32) 24608 ________________________________________________________________________ dense_4 (Dense) (None, 1) 33 ======================================================================== Total params: 24,833 Trainable params: 24,833 Non-trainable params: 0 ________________________________________________________________________
接下来，我们将使用训练数据对模型进行拟合。
print(scores) loss 24.20518
预测和可视化结果
现在，我们可以使用训练的模型来预测测试数据。
predict(xtest)
我们将通过RMSE指标检查预测的准确性。
cat("RMSE:", RMSE(ytest, ypred)) RMSE: 4.935908
最后，我们将在图表中可视化结果检查误差。
x_axes = seq(1:length(ypred)) lines(x_axes, ypred, col = "red", type = "l", lwd = 2) legend("topl
在本教程中，我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。
