利用keras使用神经网络预测销量操作_Python

keras非常方便。

不解释，直接上实例。

数据格式如下：

									序号 天气 是否周末  是否有促销  销量

									1  坏  是  是  高

									2  坏  是  是  高

									3  坏  是  是  高

									4  坏  否  是  高

									5  坏  是  是  高

									6  坏  否  是  高

									7  坏  是  否  高

									8  好  是  是  高

									9  好  是  否  高

									10 好  是  是  高

									11 好  是  是  高

									12 好  是  是  高

									13 好  是  是  高

									14 坏  是  是  低

									15 好  否  是  高

									16 好  否  是  高

									17 好  否  是  高

									18 好  否  是  高

									19 好  否  否  高

									20 坏  否  否  低

									21 坏  否  是  低

									22 坏  否  是  低

									23 坏  否  是  低

									24 坏  否  否  低

									......

代码如下：

									#-*- coding: utf-8 -*-

									#使用神经网络算法预测销量高低

									import pandas as pd

									#参数初始化

									inputfile = 'data/sales_data.xls'

									data = pd.read_excel(inputfile, index_col = u'序号') #导入数据

									#数据是类别标签，要将它转换为数据

									#用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”

									data[data == u'好'] = 1

									data[data == u'是'] = 1

									data[data == u'高'] = 1

									data[data != 1] = 0

									x = data.iloc[:,:3].as_matrix().astype(int)

									y = data.iloc[:,3].as_matrix().astype(int)

									print x

									from keras.models import Sequential

									from keras.layers.core import Dense, Activation,Dropout

									model = Sequential()

									model.add(Dense(64, input_shape=(3,)))

									model.add(Dropout(0.5))

									model.add(Dense(64, activation='relu'))

									model.add(Dropout(0.5))

									model.add(Dense(1, activation='sigmoid'))

									model.compile(loss='binary_crossentropy',

									       optimizer='rmsprop',

									       metrics=['accuracy'])

									#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary

									#另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。

									#求解方法我们指定用adam，还有sgd、rmsprop等可选

									model.fit(x, y, nb_epoch = 1000, batch_size = 10) #训练模型，学习一千次

									yp = model.predict_classes(x).reshape(len(y)) #分类预测

									10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000

									34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647  

									Epoch 1000/1000

结果为经过1000轮训练准确率为0.7647.

补充知识：利用Keras搭建神经网络进行回归预测

我就废话不多说了，大家还是直接看代码吧~

									from keras.datasets import boston_housing

									from keras import models

									from keras import layers

									(X_train, y_train), (X_test, y_test) = boston_housing.load_data()#加载数据

									#对数据进行标准化预处理，方便神经网络更好的学习

									mean = X_train.mean(axis=0)

									X_train -= mean

									std = X_train.std(axis=0)

									X_train /= std

									X_test -= mean

									X_test /= std

									#构建神经网络模型

									def build_model():

									  #这里使用Sequential模型

									  model = models.Sequential()

									  #进行层的搭建，注意第二层往后没有输入形状(input_shape)，它可以自动推导出输入的形状等于上一层输出的形状

									  model.add(layers.Dense(64, activation='relu',input_shape=(X_train.shape[1],)))

									  model.add(layers.Dense(64, activation='relu'))

									  model.add(layers.Dense(1))

									  #编译网络

									  model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

									  return model

									num_epochs = 100

									model = build_model()

									model.fit(X_train, y_train,epochs=num_epochs, batch_size=1, verbose=0)

									predicts = model.predict(X_test)

在实际操作中可以用自己的数据进行测试，最终预测出的predicts，可以利用回归评价指标和y_test进行模型效果的评价。

以上这篇利用keras使用神经网络预测销量操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/weixin_36541072/article/details/64443299

利用keras使用神经网络预测销量操作

相关文章

热门资讯