#-*- 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()
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Keras分类问题 - Python技术站