Python神经网络预测汽车保险支出

种方法是首先检查数据集并为可能使用的模型开发思路，然后探索数据集上简单模型的学习动态，然后最后使用健壮的测试工具为数据集开发和调整模型。此过程可用于为分类和回归预测建模问题开发有效的神经网络模型。

在本教程中，您将发现如何为瑞典汽车保险回归数据集开发多层Perceptron神经网络模型。完成本教程后，您将知道：

•  如何加载和汇总瑞典汽车保险数据集，以及如何使用结果建议要使用的数据准备和模型配置。
•  如何探索简单的MLP模型的学习动态以及数据集上的数据转换。
•  如何开发出对模型性能的可靠估计，调整模型性能以及对新数据进行预测。

教程概述

本教程分为四个部分。他们是：

•  汽车保险回归数据集
•  首个MLP和学习动力
•  评估和调整MLP模型
•  最终模型和做出预测

汽车保险回归数据集

第一步是定义和探索数据集。我们将使用“汽车保险”标准回归数据集。该数据集描述了瑞典的汽车保险。只有一个输入变量，即索赔的数量，目标变量是以数千瑞典克朗为单位的索赔总额。目的是在给定索赔数量的情况下预测总付款额。

您可以在此处了解有关数据集的更多信息：

•  汽车保险数据集（auto-insurance.csv）
•  汽车保险数据集详细信息（auto-insurance.names）

您可以在下面看到数据集的前几行。行示例将直接从URL加载数据集并报告数据集的形状。

在这种情况下，我们可以确认该数据集具有两个变量（一个输入和一个输出），并且该数据集具有63行数据。

对于神经网络来说，这不是很多数据行，这表明一个小型的网络（可能带有正则化）将是合适的。

这也表明使用k倍交叉验证是一个好主意，因为与火车/测试拆分相比，它可以提供更可靠的模型性能估算值，并且因为单个模型可以在数秒而不是数小时或数天的时间内完成拟合。最大的数据集。

（编辑：江门站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!