mlp多层感知机预测（python）

已于 2023-04-03 19:30:44 修改
阅读量1.1w 收藏 232
点赞数 20
分类专栏： mlp 多层感知机 文章标签： python 机器学习 神经网络
于 2022-05-09 19:37:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45077760/article/details/124673137
版权

可以对比我之前发布的文章
1.BP神经网络预测（python）
2.lstm时间序列预测+GRU（python）
3. 数据集点击此处即可进行下载
这篇文章用的数据和我之前发布的BP神经网络预测用的数据一样
仍然是多输入单输出，也可以改成多输入多输出，下边是我的数据，蓝色部分预测红色（x,y,v为自变量，z为因变量）
请添加图片描述
直接上代码，有什么不明白的可以留言

#原始数据
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from tensorflow.python.layers.core import Dropout
import tensorflow
import sklearn.metrics
from IPython.core.display import SVG
from keras.layers import LSTM, Dense,Activation, Bidirectional
from keras.losses import mean_squared_error
from keras.models import Sequential
from keras.utils.vis_utils import model_to_dot, plot_model
from matplotlib import ticker
from pandas import DataFrame, concat
from sklearn import metrics
# from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from keras import regularizers
from sklearn.preprocessing import MinMaxScaler
#from statsmodels.tsa.seasonal import seasonal_decompose
import tensorflow as tf
import seaborn as sns

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

data=pd.read_excel('2000.xls')
data = DataFrame(data, dtype=float)
data=data.iloc[:,:]
train_Standard = data.iloc[:1800,:]  
test_Standard = data.iloc[1800:,:]  
train_X,train_y = train_Standard.iloc[:,:-1],train_Standard.iloc[:,-1]
test_X,test_y = test_Standard.iloc[:,:-1],test_Standard.iloc[:,-1]
train_X, test_X=train_X.values, test_X.values
train_y, test_y=train_y.values, test_y.values
print(train_X.shape,train_y.shape)        # (1500,3)   (1500)
print(test_X.shape,test_y.shape)          # (499,3)    (499)

#归一化
MinMaxScaler = MinMaxScaler()
train_X=MinMaxScaler.fit_transform(train_X)
train_y = train_y.reshape(train_y.shape[0],1)
train_y=MinMaxScaler.fit_transform(train_y)

test_X=MinMaxScaler.fit_transform(test_X)
test_y = test_y.reshape(test_y.shape[0],1)       
test_y=MinMaxScaler.fit_transform(test_y)

# reshape input to be 3D [samples,timeseps,features]
train_X = train_X.reshape((train_X.shape[0],1,train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0],1,test_X.shape[1]))
print(train_X.shape,train_y.shape,test_X.shape,test_y.shape)  #(145, 1, 22) (145,) (38, 1, 22) (38,)


# 定义模型
model = Sequential()
model.add(Dense(32, input_shape=(train_X.shape[1], train_X.shape[2]),
                #activity_regularizer=regularizers.l1(0.01),
                #kernel_regularizer=regularizers.l2(0.01),
                activation='relu'
                )
          )
#model.add(Dropout(0.5))
#model.add(Dense(32, activation='relu'))
#model.add(Dropout(0.5))
model.add(Dense(1,
                activation='sigmoid'
                ))
model.compile(loss='binary_crossentropy',optimizer='rmsprop')                                   # ,metrics=['accuracy']
# model.compile(loss='binary_crossentropy',optimizer='rmsprop')
#score = model.evaluate(test_X, test_y, batch_size=128)

# 拟合模型
batchsize = 10
history = model.fit(train_X, train_y, epochs=100, batch_size=batchsize, validation_data=(test_X, test_y))
model.summary()
model.save('mlp_model.h5')                             
# print(history.history.keys())
# plot history

#plt.subplot(len(groups),1,i)
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.title('batch_size = %d' %batchsize)
plt.legend()
plt.show()

# 预测测试集
xhat = model.predict(train_X)
yhat = model.predict(test_X)
train_X = train_X.reshape((train_X.shape[0], train_X.shape[2]))
test_X = test_X.reshape((test_X.shape[0], test_X.shape[2]))
# invert scaling for forecast
# invert scaling for actual
train_y = train_y.reshape((len(train_y), 1))
test_y = test_y.reshape((len(test_y), 1))
yhat = yhat.reshape(len(yhat),1)
yhat=MinMaxScaler.inverse_transform(yhat)
train_y=MinMaxScaler.inverse_transform(train_y)
test_y=MinMaxScaler.inverse_transform(test_y)

yhat = yhat.reshape((len(yhat), 1))

# calculate RMSE
yhat=yhat.ravel()
test_y=test_y.ravel()

mape = np.mean(np.abs((yhat-test_y)/(test_y)))*100
print('=============mape==============')
print(mape,'%')

# 画出真实数据和预测数据的对比曲线图
print("R2 = ",metrics.r2_score(test_y, yhat)) # R2
plt.plot(test_y,color = 'red',label = 'true')
plt.plot(yhat,color = 'blue', label = 'pred')
plt.title('Prediction')
plt.xlabel('Time')
plt.ylabel('value')
plt.legend()
plt.show()

这是出来的训练集和测试集损失图
在这里插入图片描述
下边是预测值和真实值的结果图，其中
mape=6.7920069734065684%
R2 = 0.9597636539396392
在这里插入图片描述

可以加群：1029655667，进行沟通交流

积极向上的mr.d
关注
专栏目录
数据回归算法 | MLP多层感知机回归预测
天天酷科研的博客
11-05 305
数据回归算法 | MLP多层感知机回归预测
python实现多层感知器MLP（基于双月数据集）
09-19
主要为大家详细介绍了python实现多层感知器MLP，基于双月数据集，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
python实现多层感知机（MLP）
热门推荐
qq_27802435的博客
10-26 1万+
MLP(多层神经网络)     MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。神经网络流程分为前向过程和反向过程，反向过程一般用于训练。 每个神经元上面都有对于一个输入的权值，以及一个偏置，还有一个激活函数。所以一个前向过程的流程就是input输入，然后经过一层神经元运算，得到输出，然后第一层的输出作为第二层的输入，运算，得到第二层的输出…直到到输出层运算，然后得到结果...
多层感知机 (Multilayer Perceptron, MLP)
最新发布
m0_60388871的博客
09-14 3191
通过将输入逐层转换，加权求和并非线性化，可以让多层感知机学习到数据的复杂模式。反向传播算法是优化参数的核心，通过梯度下降调整权重以降低损失函数值。
一文详解多层感知机（MLP）
PiggyRuns的博客
07-02 3551
一文详解多层感知机以及多层感知机在分类、回归问题中的简单应用
MLP的python代码
08-27
可运行的MLP代码，python语言，来源于书本，不侵权
多层感知器MLP预测泰坦尼克号上旅客生存概率
04-10
多层感知器MLP预测泰坦尼克号上旅客生存概率，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手
线性回归预测
qq_45083082的博客
04-19 300
机器学习
多层感知机预测算法—以二手车预测为例（MLP）
Shiraka的博客
01-22 4275
前言 MLP是一种人工神经网络（ANN）。最简单的MLP至少由三层节点组成：输入层，隐藏层和输出层。本文将通过构建二手车预测价格的方式，讨论scikit-learn和keras两种深度学习库搭建MLP预测模型的差别以及所展现的不同效果。 案例分析—基于二手车平台教育数据集 1. 数据预处理 ​ 该数据基于2022年MotherCup()(点击该文字可下载数据集)大数据竞赛提供的二手车交易样本数据集，里面包含内容36列变量信息，其中15列为匿名变量。我们首先加载数据集观察整个数据结构和详细的数据内容。数据
MLP模型原理（python代码实现）
2303_78738507的博客
04-07 1576
MLP简称多层感知机，其结构与我的一篇博客BP神经网络（python实现）-CSDN博客多层感知机（MLP）、全连接神经网络（FCNN）、前馈神经网络（FNN）、深度神经网络（DNN）与BP算法详解_mlp神经网络-CSDN博客回到我们的正题，了解多层感知机之前，我们可以先了解一下单层感知机结构：而在此基础上添加多层神经元，这样就是实现了多层感知机。
Python实现LSTM-MLP长短期记忆网络组合多层感知机时序预测（完整源码和数据)
02-19
1.Python实现LSTM-MLP长短期记忆网络组合多层感知机时序预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数...
多层感知器的分类和预测
02-13
多层感知器的分类和预测
基于Python+Theano实现的多层感知机MLP(附详细注释)
10-10
基于Python+Theano实现的逻辑回归，内附有详细注释，尽可能的让你看懂每一个变量每一个函数的功能。
Gen_ann_model_python预测_基于python的MLP建模_预测_mlp预测_
10-04
使用python中的各个模块实现人工神经网络（MLP）的预测功能
TensorFlow实现MLP多层感知机模型
09-20
在本文中，我们将探讨如何使用TensorFlow实现多层感知机（MLP）模型。多层感知机是一种深度学习模型，通常用于分类任务，特别是处理复杂的非线性关系。在TensorFlow中构建这样的模型，我们需要理解其基本原理、过...
Matlab实现MLP多层感知机多变量时间序列预测未来，预测新数据（Matlab完整源码和数据)
12-20
1.Matlab实现MLP多层感知机多变量时间序列预测未来，预测新数据（Matlab完整源码和数据) 2.评价指标包括: R2、MAE、MBE等，代码质量极高，方便学习和替换数据。要求2020版本及以上。 3.运行主程序，多输入单输出，多...
Python中实现多层感知机（MLP）的深度学习模型
Echo_Wish的博客
04-27 1300
多层感知机（MLP）是一种前馈神经网络，它包含一个输入层、一个或多个隐藏层以及一个输出层。每个层都由一系列的神经元组成，神经元之间通过权重连接。MLP能够学习输入数据的非线性特征，因此在复杂问题的建模中非常有效。接下来，我们定义一个激活函数，例如Sigmoid函数，它将线性输入转换为非线性输出。
mlp_py_MLP_python_多层感知机_
10-01
**多层感知机（MLP）深度...总的来说，`mlp_cifar.py` 文件提供了使用Python和TensorFlow实现多层感知机对CIFAR-10数据集进行图像分类的实例。通过理解这个脚本，你可以深入了解MLP的工作原理及其在实际问题中的应用。
python MLP回归预测
机器小番茄
03-22 1041
【代码】python MLP回归预测。
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
以下是对上述100个缩写模型的全称及相关用途功能的详细解释： 1. ARIMA (AutoRegressive Integrated Moving Average): 适用于平稳时间序列数据的预测，结合了自回归 (AR) 和移动平均 (MA) 的模型。 2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，适用于带有季节性的时间序列数据的预测。 3. VAR (Vector Autoregression): 用于多变量时间序列数据的预测，基于自回归模型，能够捕捉变量之间的相互依赖关系。 4. Auto-ARIMA: 自动选择ARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 5. Auto-SARIMA: 自动选择SARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 6. LSTM (Long Short-Term Memory): 长短期记忆网络，一种适用于处理长期依赖关系的循环神经网络，用于时间序列数据的建模和预测。 7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的结构，适用于时间序列数据的建模和预测。 8. RNN (Recurrent Neural Network): 适用于处理序列数据的神经网络模型，能够捕捉时间序列的动态特性。 9. CNN (Convolutional Neural Network): 卷积神经网络，主要用于图像处理，但也可以用于时间序列数据的预测，特别擅长局部模式的识别
评论 37
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

积极向上的mr.d

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值