人工神经网络（ANN）——python代码及示例

最新推荐文章于 2025-03-02 17:53:52 发布

九九jiujiu

最新推荐文章于 2025-03-02 17:53:52 发布

阅读量5.9k

点赞数 6

分类专栏： python 文章标签： python 机器学习开发语言

本文链接：https://blog.csdn.net/qq_52862974/article/details/130462435

版权

python 专栏收录该内容

7 篇文章

订阅专栏

文章介绍了如何利用Python的sklearn库构建神经网络预测模型，特别是使用MLPRegressor进行数据预测。首先，数据从Excel转换为TXT格式，然后通过数据标准化处理。模型使用了‘lbfgs’优化器和‘identity’激活函数，对给定的非预测数据进行预测，并计算了已知数据的预测相对误差。最后，文章展示了原始数据与预测数据的图形对比。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据结构如下所示：

（年份是我随便写的，实际应该是1990-2012，在代码画图时可以用到）

将excel表处理成如下形式（预测指标放在最后一列），然后将excel数据另存为txt形式，可以在python中引用。

首先确保环境下有安装sklearn、numpy、pylab库，安装方法：

pip install +库名

其中安装sklearn库前需要安装numpy、scipy、matplotlib库。

然后就可以使用以下代码：

from sklearn.neural_network import MLPRegressor
import numpy as np
import pylab as plt

a = np.loadtxt('神经网络预测案例.txt')
x0 = a[:,:5]; y0 = a[:,5]  #提出训练样本数据
m1 = x0.max(axis=0); m2 = x0.min(axis=0)  #计算逐列最大值和最小值
bx0 = 2*(x0-m2)/(m1-m2)-1  #数据标准化
#构造并拟合模型
md = MLPRegressor(solver='lbfgs',activation='identity',
     hidden_layer_sizes=10).fit(bx0, y0)
x = np.array([[399759.5,472115],[296916,317987],[201722.1,236402],[156998.4,183918.6],[278121.85,311485.13]]).T #预测年份的非预测数据
bx = 2*(x-m2) / (m1-m2)-1  #数据标准化
yh = md.predict(bx); print('预测值为：,',np.round(yh,6))
yh0 = md.predict(bx0); delta = abs(yh0-y0)/y0*100
print('已知数据预测的相对误差：', np.round(delta,6))
t = np.arange(1990, 2012)
plt.rc('font', size=15); plt.rc('font', family='SimHei')
plt.plot(t, y0, '--o', label='原始数据')
plt.plot(t, yh0, '-*', label='预测数据')
plt.xticks(t, rotation=55); plt.legend(); plt.show()

构建模型的核心语句：

md = MLPRegressor(solver='lbfgs',activation='identity',hidden_layer_sizes=10).fit(bx0, y0)

其中，solver参数可选“lbfgs（优化器，小样本适用）、sgd（随机梯度下降）、adam（默认，大样本适用）”

输出结果如下：