基于python对销量的预测-利用keras使用神经网络预测销量操作

keras非常方便。

不解释，直接上实例。

数据格式如下：

序号 天气 是否周末 是否有促销 销量

1 坏 是 是 高

2 坏 是 是 高

3 坏 是 是 高

4 坏 否 是 高

5 坏 是 是 高

6 坏 否 是 高

7 坏 是 否 高

8 好 是 是 高

9 好 是 否 高

10 好 是 是 高

11 好 是 是 高

12 好 是 是 高

13 好 是 是 高

14 坏 是 是 低

15 好 否 是 高

16 好 否 是 高

17 好 否 是 高

18 好 否 是 高

19 好 否 否 高

20 坏 否 否 低

21 坏 否 是 低

22 坏 否 是 低

23 坏 否 是 低

24 坏 否 否 低

......

代码如下：

#-*- coding: utf-8 -*-

#使用神经网络算法预测销量高低

import pandas as pd

#参数初始化

inputfile = "data/sales_data.xls"

data = pd.read_excel(inputfile, index_col = u"序号") #导入数据

#数据是类别标签，要将它转换为数据

#用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”

data[data == u"好"] = 1

data[data == u"是"] = 1

data[data == u"高"] = 1

data[data != 1] = 0

x = data.iloc[:,:3].as_matrix().astype(int)

y = data.iloc[:,3].as_matrix().astype(int)

print x

from keras.models import Sequential

from keras.layers.core import Dense, Activation,Dropout

model = Sequential()

model.add(Dense(64, input_shape=(3,)))

model.add(Dropout(0.5))

model.add(Dense(64, activation="relu"))

model.add(Dropout(0.5))

model.add(Dense(1, activation="sigmoid"))

model.compile(loss="binary_crossentropy",

optimizer="rmsprop",

metrics=["accuracy"])

#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary

#另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。

#求解方法我们指定用adam，还有sgd、rmsprop等可选

model.fit(x, y, nb_epoch = 1000, batch_size = 10) #训练模型，学习一千次

yp = model.predict_classes(x).reshape(len(y)) #分类预测

10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000

34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647

Epoch 1000/1000

结果为经过1000轮训练准确率为0.7647.

补充知识：利用Keras搭建神经网络进行回归预测

我就废话不多说了，大家还是直接看代码吧~

from keras.datasets import boston_housing

from keras import models

from keras import layers

(X_train, y_train), (X_test, y_test) = boston_housing.load_data()#加载数据

#对数据进行标准化预处理，方便神经网络更好的学习

mean = X_train.mean(axis=0)

X_train -= mean

std = X_train.std(axis=0)

X_train /= std

X_test -= mean

X_test /= std

#构建神经网络模型

def build_model():

#这里使用Sequential模型

model = models.Sequential()

#进行层的搭建，注意第二层往后没有输入形状(input_shape)，它可以自动推导出输入的形状等于上一层输出的形状

model.add(layers.Dense(64, activation="relu",input_shape=(X_train.shape[1],)))

model.add(layers.Dense(64, activation="relu"))

model.add(layers.Dense(1))

#编译网络

model.compile(optimizer="rmsprop", loss="mse", metrics=["mae"])

return model

num_epochs = 100

model = build_model()

model.fit(X_train, y_train,epochs=num_epochs, batch_size=1, verbose=0)

predicts = model.predict(X_test)

在实际操作中可以用自己的数据进行测试，最终预测出的predicts，可以利用回归评价指标和y_test进行模型效果的评价。

以上这篇利用keras使用神经网络预测销量操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。