python 数据挖掘（10） -- 人工神经网络 ANN

关于神经网络，在 TensorFlow 专栏和 NLP 专栏都已经用了太多，所以不再介绍。只不过python 用的是 Keras ，这其实相比TensorFlow更简单多了（keras 其实是 TensorFlow 的封装，源码其实就是调用 TensorFlow，所以用起来比TensorFlow方便很多）。针对上一节的决策树分类，这里改用人工神经网络代码如下：

#-*- coding:utf-8 -*-
import pandas as pd
''' 改为神经网络感知机预测 '''

filename = 'wajue/sales_data.xls'
data = pd.read_excel(filename,index_col = u"序号")

# 数据是类别标签，要转化成数据
# 用 1 表示好，是，高 这三种属性，用 -1 来表示 坏 否 低
data[data == u"好"] = 1
data[data == u"是"] = 1
data[data == u"高"] = 1
data[data != 1] = -1

# 属性数据矩阵
x_copy = data.iloc[:,:3]
x = data.iloc[:,:3].as_matrix().astype(int)
# 销量类别矩阵
y = data.iloc[:,3].as_matrix().astype(int)

# 导入神经网络感知机模型
from keras.models import Sequential
from keras.layers.core import Dense,Activation

model = Sequence()
# 添加一层隐藏层，输入为 3 个节点
model.add(Dense(3,10))
# 采用 relu 激活函数
model.add(Activation('relu'))
# 添加输出层
model.add(Dense(10,1))
model.add(Activation('sigmoid')) # 输出是0-1 
# 使用反向传播优化方法，损失函数为二元交叉熵
model.compile(loss = 'binary_crossentropy',optimizer = 'adam',class_mode = 'binary')

model.fit(x,y,nb_epoch = 1000,batch_size = 10) # 训练
# 分类预测
yp = model.predict_classes(x).reshape(len(y))