Pátek , 18 Červenec 2025
Domů Programování Předpověď v TensorFlow
ProgramováníPythonStrojové učeníUmělá inteligence

Předpověď v TensorFlow

Předpověď v TensorFlow je typicky provedena pomocí natrénovaného modelu. Nejprve vytvoříme a natrénujeme model na trénovacích datech, a poté jej použijeme k předpovězení výstupů pro nová vstupní data.

Níže je ukázka kódu, který vytváří jednoduchý model pro regresi, trénuje ho na nějakých datech a poté používá k předpovězení výstupů pro nová data:

import tensorflow as tf
from tensorflow import keras
import numpy as np

# Vytvoříme nějaká náhodná trénovací data
x_train = np.random.random((1000, 1))
y_train = 2 * x_train + np.random.random((1000, 1))

# Definujeme model
model = keras.models.Sequential([
    keras.layers.Dense(1, input_shape=(1,))
])

# Kompilujeme model
model.compile(optimizer='adam', loss='mean_squared_error')

# Natrénujeme model
model.fit(x_train, y_train, epochs=10)

# Vytvoříme nějaká náhodná testovací data
x_test = np.random.random((300, 1))

# Použijeme model k předpovězení výstupů pro testovací data
y_pred = model.predict(x_test)

# Vytiskneme prvních 10 předpovězených hodnot
print(y_pred[:10])

V tomto příkladu je model jednoduchá lineární regrese, která se snaží naučit se vztah mezi vstupem x a výstupem y ve formě y = ax + b, kde a a b jsou parametry, které model se snaží naučit během trénování. Poté, co je model natrénován, můžeme jej použít k předpovězení výstupů y pro nová vstupní data x.

Všimněte si, že v tomto případě jsou data generována náhodně, takže výsledky nemají žádný skutečný význam. V reálném scénáři byste měli nahradit x_train, y_train a x_test skutečnými daty.

Výsledek je pole předpovězených hodnot pro vstupní testovací data. Každá hodnota v poli je předpovědí modelu pro příslušný vstupní bod.

Konkrétně, v tomto případě máme model regrese, který předpovídá jednu hodnotu pro každý vstupní bod. Takže vstupní bod x_test[0] odpovídá předpovězené hodnotě y_pred[0], vstupní bod x_test[1] odpovídá předpovězené hodnotě y_pred[1], atd.

Výsledek [0.32610345] je tedy předpovězená hodnota pro první vstupní bod v testovacích datech, [0.7131642] je předpovězená hodnota pro druhý vstupní bod, atd.

Tato předpověď je založena na interních parametrech modelu, které byly naučeny během fáze trénování na základě trénovacích dat.

Zanechte komentář

Napsat komentář

Související články

Umělá inteligence

AI v syntetické biologii

🧬 Co je syntetická biologie? Syntetická biologie spojuje biologii, inženýrství a informatiku...

Umělá inteligence

Superinteligence a Facebook

🤖 Co je superinteligence? Superinteligence označuje hypotetický stupeň umělé inteligence, který překonává...

Umělá inteligence

AI v kyberbezpečnosti: Jak umělá inteligence chrání digitální svět

🛡️ Úvod S narůstající složitostí kybernetických hrozeb přichází AI jako klíčový partner...

Umělá inteligence

Vysvětlitelná AI (XAI): Jak udělat „černou skříňku“ srozumitelnou

🤔 Co je vysvětlitelná AI (XAI)? Vysvětlitelná AI (Explainable AI) je soubor...

×
Avatar
PetrPikora.com
AI Chatbot
Ahoj! Jak vám mohu pomoci?
 

Používáním tohoto chatbota souhlasíte se shromažďováním a používáním vašich dat, jak je uvedeno v našich Zásadách ochrany osobních údajů. Vaše údaje budou použity pouze jako pomoc s vaším dotazem.