【机器学习】——纯Python建立BP模型

参考:https://blog.csdn.net/michael_f2008/article/details/103715699

https://developer.aliyun.com/article/614411

import pandas as pd
import numpy as np
import datetime
from sklearn.utils import shuffle


# 1.初始化参数
def initialize_parameters(n_x, n_h, n_y):
    np.random.seed(2)

    # 权重和偏置矩阵
    w1 = np.random.randn(n_h, n_x) * 0.01
    b1 = np.zeros(shape=(n_h, 1))
    w2 = np.random.randn(n_y, n_h) * 0.01
    b2 = np.zeros(shape=(n_y, 1))

    # 通过字典存储参数
    parameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}

    return parameters


# 2.前向传播
def forward_propagation(X, parameters):
    w1 = parameters['w1']
    b1 = parameters['b1']
    w2 = parameters['w2']
    b2 = parameters['b
  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
由于ARIMA-GM(1,1)-BP模型结合了三个模型,代码可能较为复杂,下面提供一个基本的代码框架供参考: ``` # 导入相关库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA from sklearn.neural_network import MLPRegressor from sklearn.preprocessing import MinMaxScaler # 读取数据 data = pd.read_csv('data.csv', index_col=0, parse_dates=True) train_data = data['2010':'2018'] test_data = data['2019':'2020'] # ARIMA模型训练 model = ARIMA(train_data, order=(1,1,1)) model_fit = model.fit() residuals = pd.DataFrame(model_fit.resid) # GM(1,1)模型预测 def gm11(x0): x1 = np.cumsum(x0) z1 = (x1[:-1] + x1[1:]) / 2.0 z1 = z1.reshape((len(z1), 1)) B = np.append(-z1, np.ones_like(z1), axis=1) Y = x0[1:].reshape((len(x0) - 1, 1)) [[a], [b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y) result = (x0[0] - b / a) * np.exp(-a * np.arange(len(x0))) return result x0 = train_data['y'].values y0 = gm11(x0) # BP神经网络模型训练 scaler = MinMaxScaler(feature_range=(0, 1)) X_train = scaler.fit_transform(y0.reshape(-1, 1)) y_train = scaler.fit_transform(train_data['y'].values.reshape(-1, 1)) model = MLPRegressor(hidden_layer_sizes=(10, 10), activation='relu', solver='adam', max_iter=1000) model.fit(X_train, y_train) # 预测 x1 = test_data['y'].values y1 = gm11(x1) X_test = scaler.transform(y1.reshape(-1, 1)) y_pred = model.predict(X_test) y_pred = scaler.inverse_transform(y_pred) # 可视化 plt.plot(test_data.index, y_pred, label='Predicted') plt.plot(test_data.index, test_data['y'].values, label='Actual') plt.legend() plt.show() ``` 需要注意的是,上述代码中的数据读取方式、GM(1,1)模型的实现方式、BP神经网络模型的参数设置等均需要根据具体情况进行修改。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

有情怀的机械男

你的鼓励将是我最大的动力

¥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
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