基于Tensorflow的神经网络模型搭建——气温预测

基于Tensorflow的神经网络模型搭建

环境：

​ Anaconda3

​ python 3.8.10

​ TensorFlow 2.3.0

​ numpy 1.22.4

​ Pycharm 2022.1

回归问题预测

• Tensorflow2.x 版本中将使用大量的Keras的简介建模方法

导包

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import datetime
import pandas as pd
from sklearn import preprocessing
from tensorflow.keras import layers
import tensorflow.keras
import warnings
warnings.filterwarnings('ignore')
------------------------------------------------------
# 忽略
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

至于为什么加入忽略，这里不多赘述，想要研究到底为什么的小伙伴可以自行步入下面的链接

从源码求证tensorflow中os.environ"TF_CPP_MIN_LOG_LEVEL"]的值的含义

读取文件

文件如下，需要请自行下载：
链接：https://pan.baidu.com/s/1o0IyPFJNrurLRCUbji6_EA?pwd=knsw 提取码：knsw

tips：csv颜色插件如图，需要请自行搜索并应用

 features = pd.read_csv('temps.csv')
 features.head()
 print('数据维度：', features.shape)

"""
表中数据说明：
    year,month,day,week分别代表具体时间
    temp_2：前天的最高温度
    temp_1：昨天的最高温度
    average：历史中，每一年平均最高温度值
    actual：标签值，当天真实最高温度
    friend：你哥们预测的
"""

日期格式处理

为方便时间数据的处理和展示等操作，这里使用 datetime 对其进行格式更改

import datetime

# 分别得到年、月、日
years = features['year']
months = features['month']
days = features['day']

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in
         zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

特征可视化展示

tips：

拿到自己的数据之后需要做的事：

​ 1、数据处理

​ 2、检查数据有无异常值

# 画图
plt.style.use('fivethirtyeight'