人工智慧09_神經網路(TensorFlow+Keras)
6 likes876 views
该文档介绍了使用TensorFlow和Keras库实施线性回归和逻辑回归的过程，包括模型构建、训练和预测步骤。同时，提供了有关如何将深度学习应用于财务数据分析的案例，尤其是台湾证券市场的信息。文档详细描述了数据读取、模型编译和权重提取等技术细节，适合希望了解深度学习实践的读者。
人工智慧09_神經網路(TensorFlow+Keras)
- 3. 線性迴歸實作 資料分佈呈現線性分佈 線性迴歸 ◦ 線性函式 ◦ 機器學習後結果 3 X Y 0.1 0.3 0.2 0.4 0.3 0.5 0.4 0.6 0.5 0.7 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 y x 想像有一條迴歸線(以紅色表示)的存在， 可以讓每個點(以藍色表示)到迴歸線之間的 距離最小 bxwy ˆ 2.01ˆ xy 迴歸線(以紅色表示)為 2.01 xy
- 7. 線性迴歸實作 #設定亂數種子 use_session_with_seed(0) #設定神經網路結構 model <- keras_model_sequential() #輸入參數: 1個,輸出參數: 1個,線性函式 model %>% layer_dense(units = 1, activation = "linear", input_shape = c(1)) 7 設定固定的亂數種子， 讓權重初始值可以一致 輸入參數: 1個, 輸出參數: 1個, 線性函式
- 9. 線性迴歸實作 #訓練神經網路 history <- model %>% fit( training_data$X, #輸入參數 training_data$Y, #輸出參數 epochs = 3000, #訓練回合數 batch_size = 1 #逐筆修正權重 ) 9 設定輸出參數為Y 設定輸入參數為X 訓練回合數為3000 採用逐筆修正權重的方式
- 11. 線性迴歸實作 #將測試資料代入模型進行預測,並取得 預測結果 results <- model %>% predict( training_data$X ) #呈現估計結果 print(results) 11 輸入資料進行估計
- 13. 3.986 邏輯迴歸實作 資料分佈呈現線性分佈 線性迴歸 ◦ 線性函式 ◦ 機器學習後結果 13 X Y 0.1 0.3 0.2 0.4 0.3 0.5 0.4 0.6 0.5 0.7 z zSigmoid xSigmoidy 1 194.1986.3 z e zSigmoid bxwSigmoidy 1 1 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 y x 迴歸線(以紅色表示)為 邏輯迴歸也能得到 接近線性的解 z e zSigmoid xSigmoidy 1 1 194.1986.3
- 17. 邏輯迴歸實作 #設定亂數種子 use_session_with_seed(0) #設定神經網路結構 model <- keras_model_sequential() #輸入參數: 1個,輸出參數: 1個,線性函式 model %>% layer_dense(units = 1, activation = “sigmoid", input_shape = c(1)) 17 設定固定的亂數種子， 讓權重初始值可以一致 輸入參數: 1個, 輸出參數: 1個, S型函式
- 19. 邏輯迴歸實作 #訓練神經網路 history <- model %>% fit( training_data$X, #輸入參數 training_data$Y, #輸出參數 epochs = 30000, #訓練回合數 batch_size = 1 #逐筆修正權重 ) 19 設定輸出參數為Y 設定輸入參數為X 訓練回合數為30000 採用逐筆修正權重的方式
- 21. 邏輯迴歸實作 #將測試資料代入模型進行預測,並取得 預測結果 results <- model %>% predict( training_data$X ) #呈現估計結果 print(results) 21 輸入資料進行估計
- 23. 資料分佈呈現線性分佈 神經網路 ◦ 線性函式 ◦ 機器學習後結果 -3.189 -3.223 12 1 298.1223.3 557.0189.3 zSigmoidy zSigmoidz xz z e zSigmoid zSigmoidy bzSigmoidwzbxwz 1 1 , 2 2122111 神經網路實作 23 X Y 0.1 0.3 0.2 0.4 0.3 0.5 0.4 0.6 0.5 0.7 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 y x 神經網路模型(以紅色表示)為 神經網路也能得到 接近線性的解 2 12 1 298.1223.3 557.0189.3 zSigmoidy zSigmoidz xz
- 27. 神經網路實作 #設定亂數種子 use_session_with_seed(0) #設定神經網路結構 model <- keras_model_sequential() #輸入參數: 1個,輸出參數: 1個,線性函式 model %>% layer_dense(units = 1, activation = “sigmoid", input_shape = c(1)) %>% layer_dense(units = 1, activation = “sigmoid") 27 設定固定的亂數種子， 讓權重初始值可以一致 輸入層: 輸入參數: 1個, 輸出參數: 1個, S型函式 隱藏層: 輸入參數: 1個, 輸出參數: 1個, S型函式
- 29. 神經網路實作 #訓練神經網路 history <- model %>% fit( training_data$X, #輸入參數 training_data$Y, #輸出參數 epochs = 30000, #訓練回合數 batch_size = 1 #逐筆修正權重 ) 29 設定輸出參數為Y 設定輸入參數為X 訓練回合數為30000 採用逐筆修正權重的方式
- 31. 神經網路實作 #將測試資料代入模型進行預測,並取得 預測結果 results <- model %>% predict( training_data$X ) #呈現估計結果 print(results) 31 輸入資料進行估計
- 33. 神經網路應用案例 開放資料-臺灣證券交易所 ◦ 網址： http://www.twse.com.tw/zh/page/trading/ex change/FMTQIK.html 資料集服務分類 ◦ 盤後資訊 ◦ 臺灣跨市場指數 ◦ TWSE自行編製指數 ◦ 與FTSE合作編製指數 ◦ 與銳聯合作編製指數 ◦ 與S&PDJI合作編製指數 ◦ 升降幅度/首五日無漲跌幅 ◦ 當日沖銷交易標的及統計 ◦ 融資融券與可借券賣出額度 33
- 34. 神經網路應用案例 選擇資料日期和股票代碼 本例資料日期以2017年為例 挑選電信業者股票代碼 ◦ 2412中華電 ◦ 3045台灣大 ◦ 3682亞太電 ◦ 4904遠傳 34
- 39. 神經網路應用案例 #讀取訓練資料 training_data <- read.csv(file.choose(), header = TRUE) X <- subset(training_data, select = -Class) Y <- training_data$Class #轉換為matrix資料型態 X <- data.matrix(X) 39
- 40. 神經網路應用案例 #設定亂數種子 use_session_with_seed(0) #設定神經網路結構 model <- keras_model_sequential() #輸入參數: 1個,輸出參數: 1個,線性函式 model %>% layer_dense(units = 2, activation = “sigmoid", input_shape = c(3)) %>% layer_dense(units = 1, activation = “sigmoid") 40 設定固定的亂數種子， 讓權重初始值可以一致 輸入層: 輸入參數: 3個, 輸出參數: 2個, S型函式 隱藏層: 輸入參數: 2個, 輸出參數: 1個, S型函式
- 42. 神經網路應用案例 #訓練神經網路 history <- model %>% fit( X, #輸入參數 Y, #輸出參數 epochs = 30000, #訓練回合數 batch_size = 1 #逐筆修正權重 ) 42 設定輸出參數為Y 設定輸入參數為X 訓練回合數為30000 採用逐筆修正權重的方式
- 44. 神經網路應用案例 #將測試資料代入模型進行預測,並取得 預測結果 results <- model %>% predict( X ) #呈現估計結果 print(results) 44 輸入資料進行估計