基于BP人工神经网络模型预测课程销量的高低

人工神经网络理论的学习参考：

点击打开链接

点击打开链接

初始数据：

一、数据的加载和整理

import pandas as pda
import numpy as npy
file_name='lesson2.csv'
dataf=pda.read_csv(file_name)
x=dataf.iloc[:,1:5]#取2-4列的数据
y=dataf.iloc[:,5:6]#类别数据
for i in range(0,len(y)):
	for j in range(0,len(x.iloc[0])):
		thisdata=x.iloc[i,j]
		if thisdata=='多' or thisdata=='是':
			x.iloc[i,j]=int(1)
		else:
			x.iloc[i,j]=int(0)
for i in range(0,len(y)):
	if y.iloc[i][0]=='高':
		y.iloc[i][0]=int(1)
	else:
		y.iloc[i][0]=int(0

二、将数据转化为二维数组的格式

xf=x.as_matrix().astype(int)
yf=y.as_matrix().astype(int) 

三、建立BP人工神经网络模型

1、从keras.models导入Sequential ；从keras.layers.core 导入Dense，Activation
2、Sequential 建立模型
3、Dense 建立层
4、Activation激活函数
5、compile模型编译
6、fit训练（学习）
7、验证（预测）

from keras.models import Sequential
from keras.layers.core import Dense,Activation
ann=Sequential()
#输入层
ann.add(Dense(10,input_dim=len(xf[0])))# （层数，维数），维数要与特征数一致
ann.add(Activation('relu')) #激活函数
#输出层
ann.add(Dense(1,input_dim=1))
ann.add(Activation('sigmoid'))
#模型的编译
ann.compile(loss='binary_crossentropy',optimizer='adam')#此为二元损失函数
#训练
ann.fit(xf,yf,nb_epoch=1000,batch_size=100)#训练次数：这里设置1000次，次数越大越准确
rst=ann.predict_classes(xf).reshape(len(x))
#计算准确率
counter=0
for i in range(0,len(xf)):
        if rst[i]==yf[i]:
                counter+=1
z=counter/len(xf)
print(z)

结果：训练100次的准确率：

训练1000次的准确率：