# coding:utf-8
# 酸奶成本为1元,利润为9元
# 预测少了相应的损失较大,故不要预测少
# 导入相应的模块
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
BATCH_SIZE=8
SEED=23455
COST=3
PROFIT=4
rdm=np.random.RandomState(SEED)
X=rdm.randn(100,2)
Y_=[[x1+x2+(rdm.rand()/10.0-0.05)] for (x1,x2) in X]
# 定义神经网络的输入、参数和输出,定义向前传播过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))
w1=tf.Variable(tf.random_normal([2,1],stddev=1,seed=1))
y=tf.matmul(x,w1)
# 定义损失函数和反向传播过程
loss=tf.reduce_sum(tf.where(tf.greater(y,y_),(y-y_)*COST,(y_-y)*PROFIT)) #损失函数要根据不同的模型进行变换
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# sess=tf.Session()
# STEPS=20000
# init_op=tf.global_variables_initializer()
# sess.run(init_op)
# for i in range(STEPS):
# start=(i*BATCH_SIZE)%32
# end=start+BATCH_SIZE
#
基于Tensorflow的酸奶销量预测分析
最新推荐文章于 2024-01-28 14:31:53 发布
该博客探讨了如何使用Tensorflow进行酸奶销量预测。通过对COST和PROFIT参数的调整,发现当COST较低而PROFIT较高时,模型倾向于过预测;相反,当COST高而PROFIT低时,模型可能低估预测值。
摘要由CSDN通过智能技术生成