神经网络实现连续型变量的回归预测（python)

最新推荐文章于 2025-07-17 15:06:38 发布

云南省高校数据化运营管理工程研究中心

最新推荐文章于 2025-07-17 15:06:38 发布

阅读量2.4w

点赞数 15

CC 4.0 BY-SA版权

分类专栏：吴玲文章标签： BP神经网络 python 连续变量预测 BP神经网络组合预测

本文链接：https://blog.youkuaiyun.com/m0_37788308/article/details/78993565

本文介绍了如何使用BP神经网络进行连续变量的预测。通过建立包含回归模型、灰色预测模型和BP神经网络的组合预测模型库，作者构建了一个BP神经网络组合预测模型，并详细说明了从分类决策代码修改为连续预测的过程，包括最后一层不使用激活函数和损失函数改为均方误差（MSE）的关键改动。

最近写论文时用到一个方法，是基于神经网络的最优组合预测，主要思想如下：在建立由回归模型、灰色预测模型、BP神经网络预测模型组成的组合预测模型库的基础上,利用以上三种单一预测模型的组合构成BP神经网络组合预测模型。（我是参考的参考这篇文章：路玉龙,韩靖,余思婧,张鸿雁.BP神经网络组合预测在城市生活垃圾产量预测中应用）

我的目的

我需要用BP神经网络来做连续预测。关于BP神经网络的python实现网上有很多，但大多是用于分类决策，于是不得不搞清楚原理改代码。
以下是我参考的一篇BP神经网络的分类决策的实现（我的连续预测的代码是基于下面这个链接改的，在此致谢一下）：
https://www.cnblogs.com/Finley/p/5946000.html

修改思路：

（1）最后一层不激活，直接输出。或者说把激活函数看作f(x)=x
（2）损失函数函数改为MSE

代码

代码中用两个#——-围起来的就是我更正的部分。

import math
import random

random.seed(0)
def rand(a, b):
    return (b - a) * random.random() + a

def make_matrix(m, n, fill=0.0):
    mat = []
    for i in range(m):
        mat.append([fill] * n)
    return mat

def sigmoid(x):
    return 1.0 / (1.0 + math.exp(-x))

def sigmoid_derivative(x):
    return x * (1 - x)

class BPNeuralNetwork:
    def __init__(