数据挖掘-分类与预测-神经网络算法

最新推荐文章于 2025-06-03 10:47:52 发布

原创

最新推荐文章于 2025-06-03 10:47:52 发布 · 3.5k 阅读

8 ·

CC 4.0 BY-SA版权

本文探讨了神经网络算法在数据挖掘中的应用，特别是针对分类和预测任务。通过Python数据分析与挖掘实战中的代码示例，展示了神经网络如何用于解决实际问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码来源：Python数据分析与挖掘实战

# -*- coding: utf-8 -*-
# 使用神经网络算法预测销量高低

import sys
reload(sys)
sys.setdefaultencoding('utf-8')    #导入sys，重新设置编码格式主要是为了解决执行代码报：UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6 in position 129: ordinal not in range(128)
import pandas as pd
from keras.models import Sequential    #顺序模型
from keras.layers.core import Dense, Activation
from cm_plot import *

inputfile = '../data/sales_data.xls'
data = pd.read_excel(inputfile, index_col=u'序号')

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)

model = Sequential()    #建立模型后可以使用.add来堆叠模型
model.add(Dense(input_dim=3, output_dim=10))    #建立的神经网络有3个输入节点、10个隐藏节点,添加输入层(3节点)到隐藏层(10节点)的连接
model.add(Activation('relu'))    #用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim=10, output_dim=1))    #添加隐藏层(10节点)到输出层(1节点)的连接
model.add(Activation('sigmo