原文链接：http://tecdat.cn/?p=18149

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：

1. 准备数据
2. 定义和拟合模型
3. 预测和可视化结果
4. 源代码

我们从加载本教程所需的库开始。
 

1.  
   library(keras)
2.  
   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。
 

1.  
   set.seed(123)
2.  
   boston = MASS::Boston
3.  
   indexes = createDataPartition(boston$medv, p = .85, list = F)
4.  
    

1.  
   train = boston[indexes,]
2.  
   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。
 

1.  
   dim(xtrain)
2.  
   [1] 432 13
3.  
    

1.  
   dim(ytrain)
2.  
   [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。
 

1.  
   dim(xtrain)
2.  
   [1] 432 13 1
3.  
    

1.  
   dim(xtest)
2.  
   [1] 74 13 1

在这里，我们可以提取keras模型的输入维。
 

1.  
   print(in_dim)
2.  
   [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。
 

1.  
    
2.  
    
3.  
   model %>% summary()
4.  
   ________________________________________________________________________
5.  
   Layer (type) Output Shape Param #
6.  
   ========================================================================
7.  
   conv1d_2 (Conv1D) (None, 12, 64) 192
8.  
   ________________________________________________________________________
9.  
   flatten_2 (Flatten) (None, 768) 0
10.  
    ________________________________________________________________________
11.  
    dense_3 (Dense) (None, 32) 24608
12.  
    ________________________________________________________________________
13.  
    dense_4 (Dense) (None, 1) 33
14.  
    ========================================================================
15.  
    Total params: 24,833
16.  
    Trainable params: 24,833
17.  
    Non-trainable params: 0
18.  
    ________________________________________________________________________
19.  
     
20.  
    ​

接下来，我们将使用训练数据对模型进行拟合。
 

1.  
    
2.  
   print(scores)
3.  
   loss
4.  
   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。
 

1.  
   cat("RMSE:", RMSE(ytest, ypred))
2.  
   RMSE: 4.935908

最后，我们将在图表中可视化结果检查误差。
 

1.  
   x_axes = seq(1:length(ypred))
2.  
    
3.  
   lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
4.  
   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。

最受欢迎的见解

1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析

2.r语言实现拟合神经网络预测和结果可视化

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

4.用于nlp的python：使用keras的多标签文本lstm神经网络分类

5.用r语言实现神经网络预测股票实例

6.R语言基于Keras的小数据集深度学习图像分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.python中基于网格搜索算法优化的深度学习模型分析糖

9.matlab使用贝叶斯优化的深度学习