神经网络可以解决较为复杂的非线性问题，如今在分类、回归等方面都有大量的应用，这里不介绍具体的原理了，下面近期是利用python的Keras包，进行神经网络回归的简单应用，记录一下，以后方便直接使用。

具体的业务场景就不介绍了，数据集为25个特征输入，1个输出的数据集，形状为8023*26，即共有8023个样本数据。搭建的神经网络共6层（计算神经网络层数时，只计算具有计算能力的层），其每层神经元个数(25,50,50,50,50,50,1)。

训练集、测试集一般划分比例多有7：3、8：2等，笔者是按8：2划分的。可借助train_test_split函数随机按比例划分。

其中，test_size即为测试集比例，random_state为随机数种子，默认为False，设置此值能够保证在需要重复实验时，每次一组一样的随机数。

StandarScaler()对特征数据集进行标准化，fit_transform()，先Fit to data, then transform it，而transform()函数，在fit的基础上，进行标准化操作。

以上是建立的多层神经网络，具体的一些方法可查官方文档，此处不在赘述。这里讲一下训练网络时，epochs，batchsize的含义，epochs是迭代次数的意思，1个epoch等于使用训练集中的全部样本训练一次；batchsize，即每次训练在训练集中取batchsize个样本训练。

对回归神经网络进行评价，一般多用的指标有MAE、MRE、MSE等，以上是根据MAE对回归结果进行评价，效果良好。