Difference between revisions of "Keras: Prediction"

From OnnoWiki
Jump to: navigation, search
(Classification Prediction)
(Regression Prediction)
(8 intermediate revisions by the same user not shown)
Line 57: Line 57:
 
  model.fit(X, y, epochs=200, verbose=0)
 
  model.fit(X, y, epochs=200, verbose=0)
  
After finalizing, you may want to save the model to file, e.g. via the Keras API. Once saved, you can load the model any time and use it to make predictions. For an example of this, see the post:
+
Setelah selesai, kita mungkin ingin menyimpan model ke file, mis. melalui API Keras. Setelah disimpan, kita dapat me-load model kapan saja dan menggunakannya untuk membuat prediksi. Untuk contohnya, lihat posting:
  
    Save and Load Your Keras Deep Learning Models
+
* [[Keras: Save and Load Your Keras Deep Learning Model]]
 +
 
 +
Untuk mempermudah, kita akan skip langkah ini sebagai contoh dalam tutorial ini.
  
For simplicity, we will skip this step for the examples in this tutorial.
+
Ada dua jenis prediksi klasifikasi yang ingin kita buat dengan model final; jenisnya adalah class prediction dan probability prediction.
  
There are two types of classification predictions we may wish to make with our finalized model; they are class predictions and probability predictions.
+
==Class Prediction==
Class Predictions
+
  
A class prediction is given the finalized model and one or more data instances, predict the class for the data instances.
+
Prediksi kelas diberikan model final dan satu atau lebih instance data, memprediksi kelas untuk instance data.
  
We do not know the outcome classes for the new data. That is why we need the model in the first place.
+
Kita tidak tahu class yang akan dihasilkan untuk data baru. Itu sebabnya kita membutuhkan model tersebut.
  
We can predict the class for new data instances using our finalized classification model in Keras using the predict_classes() function. Note that this function is only available on Sequential models, not those models developed using the functional API.
+
Kita dapat memprediksi class untuk instance data baru menggunakan model klasifikasi final yang kita buat di Keras menggunakan fungsi predict_classes(). Perhatikan bahwa fungsi ini hanya tersedia pada model Sequential, bukan model yang dikembangkan menggunakan API fungsional.
  
For example, we have one or more data instances in an array called Xnew. This can be passed to the predict_classes() function on our model in order to predict the class values for each instance in the array.
+
Sebagai contoh, kita memiliki satu atau lebih contoh data dalam array yang disebut Xnew. Ini dapat diteruskan ke fungsi predict_classes () pada model kita untuk memprediksi nilai class untuk setiap instance dalam array.
  
 
  Xnew = [[...], [...]]
 
  Xnew = [[...], [...]]
 
  ynew = model.predict_classes(Xnew)
 
  ynew = model.predict_classes(Xnew)
  
Let’s make this concrete with an example:
+
Mari kita buat ini dengan contoh:
  
 
  # example making new class predictions for a classification problem
 
  # example making new class predictions for a classification problem
Line 105: Line 106:
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
  
Running the example predicts the class for the three new data instances, then prints the data and the predictions together.
+
Menjalankan contoh untuk memprediksi class untuk tiga contoh data baru, lalu mem-print data dan hasil prediksi-nya.
  
 
  X=[0.89337759 0.65864154], Predicted=[0]
 
  X=[0.89337759 0.65864154], Predicted=[0]
Line 111: Line 112:
 
  X=[0.78082614 0.75391697], Predicted=[0]
 
  X=[0.78082614 0.75391697], Predicted=[0]
  
If you had just one new data instance, you could provide this as an instance wrapped in an array to the predict_classes() function; for example:
+
Jika kita hanya memiliki satu instance data baru, kita bisa memberikan ini sebagai instance yang dibungkus dalam array ke fungsi predict_classes(); sebagai contoh:
  
 
  # example making new class prediction for a classification problem
 
  # example making new class prediction for a classification problem
Line 138: Line 139:
 
  print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
 
  print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
  
Running the example prints the single instance and the predicted class.
+
Menjalankan contoh mem-print instance tunggal dan mem-prediksi class.
  
 
  X=[0.89337759 0.65864154], Predicted=[0]
 
  X=[0.89337759 0.65864154], Predicted=[0]
  
A Note on Class Labels
+
===Catatan tentang Class Label===
  
Note that when you prepared your data, you will have mapped the class values from your domain (such as strings) to integer values. You may have used a LabelEncoder.
+
Catatan bahwa saat kita menyiapkan data, kita akan memetakan nilai class dari domain yang kita gunakan (seperti string) ke nilai integer. Kita mungkin telah menggunakan LabelEncoder.
  
This LabelEncoder can be used to convert the integers back into string values via the inverse_transform() function.
+
LabelEncoder ini dapat digunakan untuk mengonversi bilangan integer kembali ke nilai string melalui fungsi inverse_transform ().
  
For this reason, you may want to save (pickle) the LabelEncoder used to encode your y values when fitting your final model.
+
Untuk alasan ini, kita mungkin ingin menyimpan (pickle) LabelEncoder yang digunakan untuk meng-encode nilai y yang kita gunakan saat melakukan fitting final model kita.
Probability Predictions
+
  
Another type of prediction you may wish to make is the probability of the data instance belonging to each class.
+
==Probability Prediction==
  
This is called a probability prediction where, given a new instance, the model returns the probability for each outcome class as a value between 0 and 1.
+
Jenis prediksi lain yang mungkin ingin kita buat adalah probabilitas dari instance data milik masing-masing kelas.
  
You can make these types of predictions in Keras by calling the predict_proba() function; for example:
+
Ini disebut probability prediction di mana, untuk instance baru, model mengembalikan probabilitas untuk hasil setiap class  sebagai nilai antara 0 dan 1.
 +
 
 +
Kita dapat membuat jenis prediksi ini dalam Keras dengan memanggil fungsi predict_proba(); sebagai contoh:
  
 
  Xnew = [[...], [...]]
 
  Xnew = [[...], [...]]
 
  ynew = model.predict_proba(Xnew)
 
  ynew = model.predict_proba(Xnew)
  
In the case of a two-class (binary) classification problem, the sigmoid activation function is often used in the output layer. The predicted probability is taken as the likelihood of the observation belonging to class 1, or inverted (1 – probability) to give the probability for class 0.
+
Dalam kasus masalah klasifikasi dua class (biner), fungsi aktivasi sigmoid sering digunakan dalam lapisan output. Probabilitas yang diprediksi diambil sebagai kemungkinan observasi milik class 1, atau terbalik (1 - probabilitas) untuk memberikan probabilitas untuk class 0.
  
In the case of a multi-class classification problem, the softmax activation function is often used on the output layer and the likelihood of the observation for each class is returned as a vector.
+
Dalam kasus masalah klasifikasi multi-class, fungsi aktivasi softmax sering digunakan pada lapisan output dan kemungkinan pengamatan untuk setiap kelas dikembalikan sebagai vektor.
  
The example below makes a probability prediction for each example in the Xnew array of data instance.
+
Contoh di bawah ini membuat probability prediction untuk setiap contoh dalam Xnew array pada instance data.
  
 
  # example making new probability predictions for a classification problem
 
  # example making new probability predictions for a classification problem
Line 192: Line 194:
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
  
Running the instance makes the probability predictions and then prints the input data instance and the
+
Menjalankan instance membuat probability prediction dan kemudian mem-print input data instance dan probabilitas setiap instance milik class 1.
probability of each instance belonging to class 1.
+
  
 
  X=[0.89337759 0.65864154], Predicted=[0.0087348]
 
  X=[0.89337759 0.65864154], Predicted=[0.0087348]
Line 199: Line 200:
 
  X=[0.78082614 0.75391697], Predicted=[0.00693122]
 
  X=[0.78082614 0.75391697], Predicted=[0.00693122]
  
 +
Ini dapat membantu dalam aplikasi kita jika kita ingin menyajikan probabilitas kepada pengguna untuk interpretasi ahli.
  
This can be helpful in your application if you want to present the probabilities to the user for expert interpretation.
+
==Regression Prediction==
3. Regression Predictions
+
  
Regression is a supervised learning problem where given input examples, the model learns a mapping to suitable output quantities, such as “0.1” and “0.2”, etc.
+
Regresi adalah  supervised learning problem di mana diberikan contoh input, model akan belajar melakukan pemetaan untuk jumlah output yang sesuai, seperti "0,1" dan "0,2", dll.
  
Below is an example of a finalized Keras model for regression.
+
Di bawah ini adalah contoh model Keras untuk regresi.
  
 
  # example of training a final regression model
 
  # example of training a final regression model
Line 227: Line 228:
 
  model.fit(X, y, epochs=1000, verbose=0)
 
  model.fit(X, y, epochs=1000, verbose=0)
  
We can predict quantities with the finalized regression model by calling the predict() function on the finalized model.
+
Kita dapat memprediksi kuantitas dengan model regresi final dengan memanggil fungsi predict() pada model final.
  
The predict() function takes an array of one or more data instances.
+
Fungsi predict () mengambil array dari satu atau lebih instance data.
  
The example below demonstrates how to make regression predictions on multiple data instances with an unknown expected outcome.
+
Contoh di bawah ini menunjukkan cara membuat regression prediction pada multiple contoh data dengan hasil belum diketahui.
  
 
  # example of making predictions for a regression problem
 
  # example of making predictions for a regression problem
Line 261: Line 262:
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
 
  print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
  
Running the example makes multiple predictions, then prints the inputs and predictions side by side for review.
+
Menjalankan contoh membuat beberapa prediksi, lalu mem-print input dan prediksi secara berdampingan untuk ditinjau.
  
 
  X=[0.29466096 0.30317302], Predicted=[0.17097184]
 
  X=[0.29466096 0.30317302], Predicted=[0.17097184]
Line 267: Line 268:
 
  X=[0.02884127 0.6208843 ], Predicted=[0.43370453]
 
  X=[0.02884127 0.6208843 ], Predicted=[0.43370453]
  
The same function can be used to make a prediction for a single data instance, as long as it is suitably wrapped in a surrounding list or array.
+
Fungsi yang sama dapat digunakan untuk membuat prediksi untuk instance data tunggal, asalkan dibungkus yang sesuai dengan list atau array yang mengelilinginya.
  
For example:
+
Contoh:
  
 
  # example of making predictions for a regression problem
 
  # example of making predictions for a regression problem
Line 312: Line 313:
 
     How to Make Predictions with Long Short-Term Memory Models in Keras
 
     How to Make Predictions with Long Short-Term Memory Models in Keras
  
Summary
+
==Summary==
  
In this tutorial, you discovered how you can make classification and regression predictions with a finalized deep learning model with the Keras Python library.
+
Dalam tutorial ini, telah di terangkan bagaimana kita bisa classification prediction dan regression prediction dengan memfinalisasi model deep learning dengan library Keras Python.
  
Specifically, you learned:
+
Terutama, kita belajar:
  
 
* How to finalize a model in order to make it ready for making predictions.
 
* How to finalize a model in order to make it ready for making predictions.
 
* How to make class and probability predictions for classification problems in Keras.
 
* How to make class and probability predictions for classification problems in Keras.
 
* How to make regression predictions in in Keras.
 
* How to make regression predictions in in Keras.
 
Do you have any questions?
 
Ask your questions in the comments below and I will do my best to answer.
 
  
 
==Referensi==
 
==Referensi==

Revision as of 08:15, 16 August 2019

Sumber: https://machinelearningmastery.com/how-to-make-classification-and-regression-predictions-for-deep-learning-models-in-keras/

Setelah kita memilih dan fit deep learning model di Keras, kita dapat menggunakannya untuk membuat prediksi pada instance data baru.

Ada beberapa kebingungan di kalangan pemula tentang bagaimana tepatnya melakukan ini. Sering terlihat pertanyaan seperti:

  • Bagaimana cara membuat prediksi dengan model yang saya peroleh di Keras?

Dalam tutorial ini, kita akan menemukan bagaimana tepatnya kita dapat membuat prediksi klasifikasi dan regresi dengan model deep learning yang telah diperoleh dengan library Keras Python.

Setelah menyelesaikan tutorial ini, kita diharapkan bisa mengetahui tentang:

  • Bagaimana memperoleh final model agar siap untuk digunakan untuk melakukan pediction.
  • Bagaimana cara membuat class dan probability prediction untuk classification problem di Keras.
  • Bagaimana cara melakukan regression prediction di Keras.


Finalisasi Model

Sebelum kita dapat membuat prediksi, kita harus me-train untuk memperoleh final model.

Kita mungkin telah men-train model menggunakan k-fold cross validation atau train/test split dari data yang ada. Ini dilakukan untuk memberi kita perkiraan kemampuan model pada data sampel, mis. ada yang data baru.

Model-model ini setelah memenuhi fungsi-nya, sekarang dapat dibuang.

Kita sekarang harus men-train final model menggunakan semua data yang tersedia. Kita dapat mempelajari lebih lanjut tentang cara me-train final model di:


Classification Prediction

Masalah klasifikasi adalah masalah ketika model belajar memetakan antara fitur input dan fitur output yang merupakan label, seperti "spam" dan "not spam".

Bagi pemula dengan Keras ada baiknya membaca

Di bawah ini adalah contoh finalized neural network model dalam Keras yang dikembangkan untuk masalah klasifikasi dua kelas (biner) sederhana.

# example of training a final classification model
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
# generate 2d classification dataset
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=200, verbose=0)

Setelah selesai, kita mungkin ingin menyimpan model ke file, mis. melalui API Keras. Setelah disimpan, kita dapat me-load model kapan saja dan menggunakannya untuk membuat prediksi. Untuk contohnya, lihat posting:

Untuk mempermudah, kita akan skip langkah ini sebagai contoh dalam tutorial ini.

Ada dua jenis prediksi klasifikasi yang ingin kita buat dengan model final; jenisnya adalah class prediction dan probability prediction.

Class Prediction

Prediksi kelas diberikan model final dan satu atau lebih instance data, memprediksi kelas untuk instance data.

Kita tidak tahu class yang akan dihasilkan untuk data baru. Itu sebabnya kita membutuhkan model tersebut.

Kita dapat memprediksi class untuk instance data baru menggunakan model klasifikasi final yang kita buat di Keras menggunakan fungsi predict_classes(). Perhatikan bahwa fungsi ini hanya tersedia pada model Sequential, bukan model yang dikembangkan menggunakan API fungsional.

Sebagai contoh, kita memiliki satu atau lebih contoh data dalam array yang disebut Xnew. Ini dapat diteruskan ke fungsi predict_classes () pada model kita untuk memprediksi nilai class untuk setiap instance dalam array.

Xnew = [[...], [...]]
ynew = model.predict_classes(Xnew)

Mari kita buat ini dengan contoh:

# example making new class predictions for a classification problem
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
# generate 2d classification dataset
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# new instances where we do not know the answer
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = scalar.transform(Xnew)
# make a prediction
ynew = model.predict_classes(Xnew)
# show the inputs and predicted outputs
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

Menjalankan contoh untuk memprediksi class untuk tiga contoh data baru, lalu mem-print data dan hasil prediksi-nya.

X=[0.89337759 0.65864154], Predicted=[0]
X=[0.29097707 0.12978982], Predicted=[1]
X=[0.78082614 0.75391697], Predicted=[0]

Jika kita hanya memiliki satu instance data baru, kita bisa memberikan ini sebagai instance yang dibungkus dalam array ke fungsi predict_classes(); sebagai contoh:

# example making new class prediction for a classification problem
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
from numpy import array
# generate 2d classification dataset
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# new instance where we do not know the answer
Xnew = array(0.89337759, 0.65864154)
# make a prediction
ynew = model.predict_classes(Xnew)
# show the inputs and predicted outputs
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

Menjalankan contoh mem-print instance tunggal dan mem-prediksi class.

X=[0.89337759 0.65864154], Predicted=[0]

Catatan tentang Class Label

Catatan bahwa saat kita menyiapkan data, kita akan memetakan nilai class dari domain yang kita gunakan (seperti string) ke nilai integer. Kita mungkin telah menggunakan LabelEncoder.

LabelEncoder ini dapat digunakan untuk mengonversi bilangan integer kembali ke nilai string melalui fungsi inverse_transform ().

Untuk alasan ini, kita mungkin ingin menyimpan (pickle) LabelEncoder yang digunakan untuk meng-encode nilai y yang kita gunakan saat melakukan fitting final model kita.

Probability Prediction

Jenis prediksi lain yang mungkin ingin kita buat adalah probabilitas dari instance data milik masing-masing kelas.

Ini disebut probability prediction di mana, untuk instance baru, model mengembalikan probabilitas untuk hasil setiap class sebagai nilai antara 0 dan 1.

Kita dapat membuat jenis prediksi ini dalam Keras dengan memanggil fungsi predict_proba(); sebagai contoh:

Xnew = [[...], [...]]
ynew = model.predict_proba(Xnew)

Dalam kasus masalah klasifikasi dua class (biner), fungsi aktivasi sigmoid sering digunakan dalam lapisan output. Probabilitas yang diprediksi diambil sebagai kemungkinan observasi milik class 1, atau terbalik (1 - probabilitas) untuk memberikan probabilitas untuk class 0.

Dalam kasus masalah klasifikasi multi-class, fungsi aktivasi softmax sering digunakan pada lapisan output dan kemungkinan pengamatan untuk setiap kelas dikembalikan sebagai vektor.

Contoh di bawah ini membuat probability prediction untuk setiap contoh dalam Xnew array pada instance data.

# example making new probability predictions for a classification problem
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
# generate 2d classification dataset
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# new instances where we do not know the answer
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = scalar.transform(Xnew)
# make a prediction
ynew = model.predict_proba(Xnew)
# show the inputs and predicted outputs
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

Menjalankan instance membuat probability prediction dan kemudian mem-print input data instance dan probabilitas setiap instance milik class 1.

X=[0.89337759 0.65864154], Predicted=[0.0087348]
X=[0.29097707 0.12978982], Predicted=[0.82020265]
X=[0.78082614 0.75391697], Predicted=[0.00693122]

Ini dapat membantu dalam aplikasi kita jika kita ingin menyajikan probabilitas kepada pengguna untuk interpretasi ahli.

Regression Prediction

Regresi adalah supervised learning problem di mana diberikan contoh input, model akan belajar melakukan pemetaan untuk jumlah output yang sesuai, seperti "0,1" dan "0,2", dll.

Di bawah ini adalah contoh model Keras untuk regresi.

# example of training a final regression model
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler
# generate regression dataset
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)

Kita dapat memprediksi kuantitas dengan model regresi final dengan memanggil fungsi predict() pada model final.

Fungsi predict () mengambil array dari satu atau lebih instance data.

Contoh di bawah ini menunjukkan cara membuat regression prediction pada multiple contoh data dengan hasil belum diketahui.

# example of making predictions for a regression problem
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler
# generate regression dataset
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
# new instances where we do not know the answer
Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
Xnew = scalarX.transform(Xnew)
# make a prediction
ynew = model.predict(Xnew)
# show the inputs and predicted outputs
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

Menjalankan contoh membuat beberapa prediksi, lalu mem-print input dan prediksi secara berdampingan untuk ditinjau.

X=[0.29466096 0.30317302], Predicted=[0.17097184]
X=[0.39445118 0.79390858], Predicted=[0.7475489]
X=[0.02884127 0.6208843 ], Predicted=[0.43370453]

Fungsi yang sama dapat digunakan untuk membuat prediksi untuk instance data tunggal, asalkan dibungkus yang sesuai dengan list atau array yang mengelilinginya.

Contoh:

# example of making predictions for a regression problem
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler
from numpy import array
# generate regression dataset
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))
# define and fit the final model
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
# new instance where we do not know the answer
Xnew = array(0.29466096, 0.30317302)
# make a prediction
ynew = model.predict(Xnew)
# show the inputs and predicted outputs
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

Running the example makes a single prediction and prints the data instance and prediction for review.

X=[0.29466096 0.30317302], Predicted=[0.17333156]

Further Reading

This section provides more resources on the topic if you are looking to go deeper.

   How to Train a Final Machine Learning Model
   Save and Load Your Keras Deep Learning Models
   Develop Your First Neural Network in Python With Keras Step-By-Step
   The 5 Step Life-Cycle for Long Short-Term Memory Models in Keras
   How to Make Predictions with Long Short-Term Memory Models in Keras

Summary

Dalam tutorial ini, telah di terangkan bagaimana kita bisa classification prediction dan regression prediction dengan memfinalisasi model deep learning dengan library Keras Python.

Terutama, kita belajar:

  • How to finalize a model in order to make it ready for making predictions.
  • How to make class and probability predictions for classification problems in Keras.
  • How to make regression predictions in in Keras.

Referensi


Pranala Menarik