21、神经网络模型优化与CNN时间序列预测

神经网络模型优化与CNN时间序列预测

改进的基线模型

在模型优化方面，我们可以通过调整模型结构来提升性能。其中一个显著的特点是，对基线模型进行修改时，不会影响脚本的其他部分，这体现了高内聚、低耦合的特性。

为了改进模型性能，我们可以构建一个更深的模型。这个“更深”的模型可能允许提取和组合数据中嵌入的高阶特征，从而实现更好的预测结果。以下是该模型的代码：

# define the model
def larger_model():
    # create model
    model = Sequential()
    model.add(Dense(13, input_dim=13, kernel_initializer='normal', activation='relu'))
    model.add(Dense(6, kernel_initializer='normal', activation='relu'))
    model.add(Dense(1, kernel_initializer='normal'))
    # Compile model
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

修改后的脚本命名为 kerasDeeperRegressionTest.py ，完整代码如下：

# Import required librari