最初のステップ：可視化機能
輸入PDとしてパンダ 輸入NPとしてnumpyの 輸入日時 輸入PLTとしてmatplotlib.pyplot 機能 = pd.read_csv（' temps.csv ' ） ＃ビジュアルグラフィックス を印刷（features.head（5 ）） ＃使用日付構成されたビジュアライゼーション の日付= [STR（int型（年））+ " - " + STR（INT（月））+ " - " + STR（INT（日））のための年、月、日中に ZIP（特長[ ' 年' ]、[機能' 月' ]、特長[ ' 日' ]）] 日付 = [datetime.datetime.strptime（日付、" ％Y-％M-％D "）のための日付に日付] ＃は、オペレーションの描画を行います plt.style.use（" fivethirtyeightを" ） 図、（（AX1、AX2）、（AX3、AX4）） = plt.subplots（NROWS = 2、ncolsの= 2、figsize =（10、10 ）） fig.autofmt_xdate（回転 = 45 ） ax1.plot（日付、機能[ " temp_1 " ]） ax1.set_xlabel（'' ） ax1.set_ylabel（' 温度' ） ax1.set_title（「前の最高温度」） ax2.plot（日付、機能[ " temp_2 " ]） ax2.set_xlabel（'' ） ax2.set_ylabel（' 温度' ） ax2.set_title（「二日プリオ最大温度」） ax3.plot（日付、機能[ " 友人" ]） ax3.set_xlabel（'' ） ax3.set_ylabel（' 温度' ） ax3.set_title（" フレンド推定" ） ax4.plot（日付、機能[ " 実際" ]） ax4.set_xlabel（'' ） ax4.set_ylabel（' 温度' ） ax4.set_title（" 最高温度" ） plt.tight_layout（パッド = 2 ） plt.show（）
ステップ2：ラベルは標準操作法を用いながら、真の値の入力特徴として除去されるような特徴は、非ホット符号化されたデジタル、温度の実際の値であります
＃ホットエンコード設定済み ＃のトラバーサル機能、なりませんデジタル除去特性 のためにFEATURE_NAME でfeatures.columnsを： 印刷（feature_nameはへの） 挑戦： フロート（features.loc [0、FEATURE_NAME]） 除く： のために S にセット（特徴[FEATURE_NAME]）： 機能[S] = 0 ＃時間特性のデータの各行を追加 するための F でレンジ（）（特徴LEN）。 features.loc [F、[features.iloc [F] [FEATURE_NAME]]] = 1 ＃特徴対応週削除 （FEATURE_NAME軸= 1に= features.drop機能） ＃ワンホット符号化を用いて構成してもよい 。＃特長= pd.get_dummies（特徴） ＃設定されたラベルの ラベル= np.array（特長[ ' 実' ]） ＃構造的特徴 features.drop =（機能' 実際'、軸=。1 ） ＃トーチネットワークトレーニング実行 インポートトーチ ＃正規化された動作特性 から sklearn インポート前処理 input_feature = preprocessing.StandardScaler（）。fit_transform（機能） プリント（input_feature [:, 5]）
第三段階：プロセスtorch.tensor特徴及びラベルは、フォーマットテンソルに変換され、初期バイアスを秤量され、BATCH_SIZEは、反復最適化を使用して行われ、weight.grad biases.grad勾配最適化学習速度の使用
＃ニューラルネットワークの構築 X = torch.tensor（input_feature、DTYPE = torch.float） Y = torch.tensor（ラベル、DTYPE = torch.float） 重量 = torch.randn（（14、128）、DTYPE = torch.float、requires_grad = TRUE） 偏見 = torch.randn（128、DTYPE = torch.float、requires_grad = 真） WEIGHT2 = torch.randn（（128、1）、DTYPE = torch.float、requires_grad = TRUE） biases2 = torch.randn（1、DTYPE = torch.float、requires_grad = 真） learning_rate = 0.001 損失 = [] BATCH_SIZE = 16 用 I における範囲（1000 ）： ＃计算隐层 batch_loss = [] のための開始に範囲（0、lenの（input_feature）、BATCH_SIZE）。 終了 = + BATCH_SIZEを開始する場合は、スタート+ BATCH_SIZE <LEN（input_feature）他のLEN（input_feature） XX = torch.tensor（input_feature [スタート：終了]を、DTYPE = torch.float、requires_grad = TRUE） YY = torch.tensor（ラベル[スタート：終了]、DTYPE = torch.float、requires_grad = TRUE） 隠れ = xx.mm（重量）+ バイアス ＃加え活性化関数 =隠さtorch.sigmoid（隠された） ＃の予測子 予測= hidden.mm（WEIGHT2）+ biases2 ＃算出損失値 損失= torch.mean（（予測- YY ） ** 2 ） loss.backward（） ＃更新パラメータは、 （ - learning_rate *の_ weight.data.add weight.grad.data） biases.data.add_（ - learning_rate * biases.grad.data） weight2.data.add_（ - learning_rate * weight2.grad.data） biases2.data.add_（ - learning_rate * biases2.grad.data） ＃各繰り返しは、空にすることを忘れないでください ）（weight.grad.data.zero_ biases.grad.data.zero_（） weight2.grad.data.zero_（） biases2.grad.data.zero_（） batch_loss.append（loss.data.numpy（）） もし私％100 == 0： losses.append（np.mean（batch_loss）） 印刷（I、np.mean（batch_loss））
ステップ4：ネットワークを再入力するxは最終プロットし、最終予測を得るために計算されます。
= x.mm隠された（重量）+ バイアス ＃加え活性化関数 隠さ= torch.sigmoid（隠された） ＃の予測子 予測= hidden.mm（WEIGHT2）+ biases2 予測 = prediction.detach（）。numpyの（） plt.plot（日付、Y、' B- '、ラベル= ' 実際' ） plt.plot（日付、予測、' RO '、ラベル= ' predit ' ） plt.xticks（回転 = 60 ） plt.title（" 温度が予測します" ） plt.xlabel（" 日付" ） plt.ylabel（" 温度" ） plt.show（）
