大数据毕业设计Python+Vue.js知识图谱中药推荐系统 中药数据分析可视化大屏 中药爬虫 机器学习 中药预测系统 中药情感分析 计算机毕业设计

博主介绍：✌全网粉丝100W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌

🍅由于篇幅限制，想要获取完整文章或者源码，或者代做，可以给我留言或者找我聊天。🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人 。

文章包含：项目选题 + 项目展示图片 （必看）

 

计算机毕业设计吊炸天hadoop+spark知识图谱中药推荐系统 中药数据分析可视化大屏 中药爬虫 机器学习 中药预测系统 中药情感分析 大数据毕业设计

import numpy as np  
import tensorflow as tf  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import Dense, Embedding, Flatten  
from tensorflow.keras.optimizers import Adam  
  
# 假设我们有一些用户症状和对应的中药推荐数据  
# 这里使用整数编码表示，实际应用中应该使用更复杂的编码方式，如one-hot编码  
symptoms = np.array([[1, 2, 3], [2, 4, 5], [1, 3, 5], [4, 5, 6]])  # 用户症状  
medicines = np.array([10, 20, 30, 40])  # 对应的中药推荐  
  
# 由于模型需要固定大小的输入，我们可以将症状数据填充到固定长度  
max_symptoms_length = symptoms.shape[1]  
num_symptoms = len(np.unique(symptoms))  
num_medicines = len(np.unique(medicines))  
  
# 构建模型  
model = Sequential()  
model.add(Embedding(num_symptoms + 1, 10, input_length=max_symptoms_length))  
model.add(Flatten())  
model.add(Dense(64, activation='relu'))  
model.add(Dense(num_medicines, activation='softmax'))  # 如果中药推荐是分类问题，使用softmax激活函数  
# 如果中药推荐是回归问题（例如推荐剂量），则可以使用线性激活函数，并相应地调整损失函数和优化器  
  
# 编译模型  
model.compile(optimizer=Adam(learning_rate=0.001), loss='sparse_categorical_crossentropy', metrics=['accuracy'])  
  
# 训练模型  
model.fit(symptoms, medicines, epochs=10, batch_size=2)  
  
# 使用模型进行预测  
test_symptoms = np.array([[2, 4, 6]])  
predictions = model.predict(test_symptoms)  
recommended_medicine = np.argmax(predictions, axis=1)  
print("Recommended Medicine:", recommended_medicine)