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

import pandas as pd

#参数初始化
inputfile = 'data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序号') #导入数据

#数据是类别标签，要将它转换为数据
#用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”
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)
print(x)
print(y)


from keras.models import Sequential
from keras.layers.core import Dense, Activation,Dropout
#通过.add()方式一层层添加（一个add为一层）
model = Sequential()
model.add(Dense(64, input_shape=(3,)))#添加64节点的全连接
model.add(Dropout(0.5))##dropoutdropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃
model.add(Dense(64, activation='relu'))#以Relu函数为激活函数
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))#以sigmoid函数为激活函数

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
#另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
#求解方法我们指定用adam，还有sgd、rmsprop等可选

model.fit(x, y, nb_epoch = 1000, batch_size = 10) #训练模型，学习一千次
yp = model.predict_classes(x).reshape(len(y)) #分类预测

from cm_plot import *     # 导入自行编写的混淆矩阵可视化函数  
cm_plot(y, yp).show()