人工神经网络(二)--keras搭建BP网络实例

本文介绍了一种使用Python和Keras库实现的简单BP神经网络模型。该模型用于基于四个特征预测单一目标值,包括数据预处理、模型训练、预测及结果可视化等步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

数据格式–input.xlsx 文件如下:
这里写图片描述

#1 数据输入
import pandas as pd
inputfile = 'input.xlsx'   #excel输入
outputfile = 'output.xls' #excel输出
modelfile = 'modelweight.model' #神经网络权重保存
data = pd.read_excel(inputfile,index='Date',sheetname=0) #pandas以DataFrame的格式读入excel表
feature = ['F1','F2','F3','F4'] #影响因素四个
label = ['L1'] #标签一个,即需要进行预测的值
data_train = data.loc[range(0,520)].copy() #标明excel表从第0行到520行是训练集

#2 数据预处理和标注
data_mean = data_train.mean()  
data_std = data_train.std()  
data_train = (data_train - data_mean)/data_std #数据标准化
x_train = data_train[feature].as_matrix() #特征数据
y_train = data_train[label].as_matrix() #标签数据


 #3 建立一个简单BP神经网络模型
from keras.models import Sequential
from keras.layers.core import Dense, Activation
model = Sequential()  #层次模型
model.add(Dense(12,input_dim=4,init='uniform')) #输入层,Dense表示BP层
model.add(Activation('relu'))  #添加激活函数
model.add(Dense(1,input_dim=12))  #输出层
model.compile(loss='mean_squared_error', optimizer='adma') #编译模型
model.fit(x_train, y_train, nb_epoch = 1000, batch_size = 6) #训练模型1000次
model.save_weights(modelfile) #保存模型权重
#4 预测,并还原结果。
x = ((data[feature] - data_mean[feature])/data_std[feature]).as_matrix()
data[u'L1_pred'] = model.predict(x) * data_std['L1'] + data_mean['L1']
#5 导出结果
data.to_excel(outputfile) 
#6 画出预测结果图
import matplotlib.pyplot as plt 
p = data[['L1','L1_pred']].plot(subplots = True, style=['b-o','r-*'])
plt.show()

http://blog.163.com/wuwenli1110@126/blog/static/53311114201610810582123/

### BP神经网络预测实现方法 BP神经网络作为一种广泛应用于多种领域(如函数逼近、模式识别分类、数据压缩和时间序列预测等)的工具,其实现过程主要依赖于输入数据的训练以及权重和阈值的调整。以下是关于BP神经网络预测的具体实现方法: #### 数据准备阶段 在实际应用中,BP神经网络需要大量的样本数据进行训练。这些数据应能够反映目标系统的特性及其变化规律。例如,在伤寒、副伤寒流行与传播预测的应用场景下,可以收集环境因素(温度、湿度、水质状况等)、人口密度、卫生条件等相关参数作为输入变量[^1]。 #### 构建网络结构 构建一个适合问题需求的BP神经网络模型涉及以下几个方面: - **层数设计**:通常情况下,三层结构(输入层、隐藏层、输出层)即可满足大多数非线性映射的需求。 - **节点数设定**:输入层节点数目由特征维度决定;输出层节点数量依据具体任务定义(比如回归分析可能只有一个数值输出),而隐含层节点个数需根据经验公式或者实验优化得出。 #### 初始化权值与偏置 随机初始化连接各层之间的初始权值w_ij 和每一层单元自身的偏置b_i 。合理的初值范围有助于加快收敛速度并减少陷入局部极小的风险[^2]。 #### 前向传播计算 从前到后依次执行如下操作直至得到最终输出y_hat : \[ net_j=\sum_{i=0}^{n}(w_{ij}*x_i+b_j)\] 其中\( x_0 \equiv 1\) 表示恒定项; 接着利用激活函数f()处理净输入net_j 得到该层的实际响应a_j=f(net_j ) ,对于中间层次常用Sigmoid型函数形式表达为: \[ f(z)=\frac{1}{1+e^{-z}} \] 最后到达输出端时可能会切换成其他类型的转换关系以便更好地适应特定应用场景下的表现要求[^3]。 #### 反馈误差校正 比较当前估计结果y_hat 同真实标签y 的差异程度E=(y-y_hat)^2 /2 , 并据此更新前面提到过的那些待求解系数直到满足精度指标为止。整个流程遵循链式法则完成逐级微分运算从而获得各个位置处所需的梯度信息用于指导下一步动作方向的选择。 --- ### 实际案例分享 - 利用BP神经网络预测疾病爆发趋势 假设我们正在研究某地区过去几年间发生的甲肝病例统计数据,并希望通过建立相应的数学模型来推测未来可能出现的情况走势。那么就可以按照上述步骤搭建起一套完整的解决方案框架出来供参考借鉴之用: ```python import numpy as np from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers import Dense # 加载历史记录资料集 data = np.loadtxt('hepatitis_data.csv', delimiter=',') X, y = data[:, :-1], data[:, -1:] # 将原始素材划分为测试组&验证集合两部分 X_train, X_val, Y_train, Y_val = train_test_split(X, y, test_size=0.2) # 定义简单的全连接架构实例对象model model = Sequential() model.add(Dense(units=8, activation='sigmoid', input_dim=X.shape[1])) model.add(Dense(units=1)) # 编译配置损失评估机制及最优化算法策略组合方案 model.compile(loss='mean_squared_error', optimizer='sgd') # 开始正式迭代拟合过程 history = model.fit(X_train, Y_train, epochs=500, batch_size=10, validation_data=(X_val,Y_val)) ``` 此脚本片段展示了如何借助Python编程语言配合Keras库快速组建起基础版别的前馈式人工神经元体系原型版本。当然为了追求更高的准确性还可以考虑引入更多高级技巧诸如正则化手段防止过拟合现象发生等问题解决办法等等。 ---
评论 4
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
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