Python数据挖掘建模 chapter_5 神经网络算法

1.人工神经网络：

BP神经网络	误差逆传播算法训练的多层前馈网络
LM神经网络	基于梯度下降和牛顿法结合点多层前馈网络，迭代少，精度高
RBF径向积神经网络	可以任意精度逼近连续函数，适合解决分类问题
FNN模糊神经网络	具有模糊系数或输入信号是模糊量的神经网络
GMDH神经网络	多项式神经网络，前馈神经网络中用于预测的不稳定结构网络
ANFIS自适应神经网络	全模糊结构，可自动产生、修正并高度概括规则

（训练数据需要TensorFlow、keras、pandas等相关64位Python库）

数据举例：

num	wealth	weekend	p_sale	num_sale
1	bad	yes	yes	high
2	bad	yes	yes	high
3	bad	yes	yes	high
4	bad	no	yes	high
5	bad	yes	yes	high
6	bad	no	yes	high
7	bad	yes	no	high
8	good	yes	yes	high
9	good	yes	no	high

。。。

data[data == u'yes'] = 1
data[data == u'high'] = 1
data[data != 1] = 0
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)

from keras.models import Sequential
from keras.layers.core import Dense, Activation

model = Sequential() #建立模型
model.add(Dense(input_dim = 3, output_dim = 10))
model.add(Activation('relu')) #用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 10, output_dim = 1))
model.add(Activation('sigmoid')) #由于是0-1输出，用sigmoid函数作为激活函数

model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
#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,求解方法我们指定用adam，还有sgd、rmsprop等可选

model.fit(x, y, nb_epoch = 500, batch_size = 10) #训练模型，学习500次
yp = model.predict_classes(x).reshape(len(y)) #分类预测

#from cm_plot import * #导入自行编写的混淆矩阵可视化函数
#cm_plot(y,yp).show() #显示混淆矩阵可视化结果
print y
print yp