[英]Make Tensorflow predictions on time series data? (Regression Model)
我用浅层机器学习算法(岭回归)尝试了同样的练习,但我想试试神经网络。
我可以访问以下格式的原始传感器数据。 (+100k 行)
Timestamp OilPressure OilTemperature RPM FilterRestriction
0001 145 90 1100 15
0002 140 92 1100 15
0003 134 93 1123 16
0004 143 91 1135 14
本练习的 label 是 OilPressure,我在其上训练了以下 model。
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation='relu'),
layers.Dense(1)
])
我将原始数据集分成 25% 和 75%,因为我想在原始 25% 上训练和测试 model,并将其用作我的“健康”设备的基线。 所以我将数据集按日期升序排序并相应地拆分。
那 25% 被进一步随机分成 80%/20% 用于火车测试。
由此产生的 model 给了我大约 3 PSI 的 MSE...
我现在想做的是用另一列填充原始 dataframe,我可以在其中将实际油压与预测油压进行比较。 预测将由经过 25% 训练的 model 生成,但将适用于未经过训练或测试的 85%。
I was thinking of applying a lambda function but I'm not sure if that would work, can I define some other sort of function that takes in OilTemperature, RPM and FilterRestriction, passes it to my model and spits out a PredictedOilPressure?
这就是我想要实现的目标:
Timestamp OilPressure OilTemperature RPM FilterRestriction PredictedOilPressure
1000 139 89 1203 11 141
1001 142 89 1109 10 142
1002 146 87 1177 10 147
1003 143 84 1205 12 144
为您要预测的每条记录创建一个 pandas dataframe。 (X_features) 然后只需使用 model.predict() function 来进行预测。 将结果保存为数据集中的列。
dataset['PredictedOilPressure'] = model.predict(X_features)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.