利用keras使用神經網路預測銷量操作
阿新 • • 發佈:2020-07-09
keras非常方便。
不解釋,直接上例項。
資料格式如下:
序號 天氣 是否週末 是否有促銷 銷量 1 壞 是 是 高 2 壞 是 是 高 3 壞 是 是 高 4 壞 否 是 高 5 壞 是 是 高 6 壞 否 是 高 7 壞 是 否 高 8 好 是 是 高 9 好 是 否 高 10 好 是 是 高 11 好 是 是 高 12 好 是 是 高 13 好 是 是 高 14 壞 是 是 低 15 好 否 是 高 16 好 否 是 高 17 好 否 是 高 18 好 否 是 高 19 好 否 否 高 20 壞 否 否 低 21 壞 否 是 低 22 壞 否 是 低 23 壞 否 是 低 24 壞 否 否 低 ......
程式碼如下:
#-*- coding: utf-8 -*- #使用神經網路演算法預測銷量高低 import pandas as pd #引數初始化 inputfile = 'data/sales_data.xls' data = pd.read_excel(inputfile,index_col = u'序號') #匯入資料 #資料是類別標籤,要將它轉換為資料 #用1來表示“好”、“是”、“高”這三個屬性,用0來表示“壞”、“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 from keras.models import Sequential from keras.layers.core import Dense,Activation,Dropout model = Sequential() model.add(Dense(64,input_shape=(3,))) model.add(Dropout(0.5)) model.add(Dense(64,activation='relu')) model.add(Dropout(0.5)) model.add(Dense(1,activation='sigmoid')) model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy']) #編譯模型。由於我們做的是二元分類,所以我們指定損失函式為binary_crossentropy,以及模式為binary #另外常見的損失函式還有mean_squared_error、categorical_crossentropy等,請閱讀幫助檔案。 #求解方法我們指定用adam,還有sgd、rmsprop等可選 model.fit(x,y,nb_epoch = 1000,batch_size = 10) #訓練模型,學習一千次 yp = model.predict_classes(x).reshape(len(y)) #分類預測
10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000 34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647 Epoch 1000/1000
結果為經過1000輪訓練準確率為0.7647.
補充知識:利用Keras搭建神經網路進行迴歸預測
我就廢話不多說了,大家還是直接看程式碼吧~
from keras.datasets import boston_housing from keras import models from keras import layers (X_train,y_train),(X_test,y_test) = boston_housing.load_data()#載入資料 #對資料進行標準化預處理,方便神經網路更好的學習 mean = X_train.mean(axis=0) X_train -= mean std = X_train.std(axis=0) X_train /= std X_test -= mean X_test /= std #構建神經網路模型 def build_model(): #這裡使用Sequential模型 model = models.Sequential() #進行層的搭建,注意第二層往後沒有輸入形狀(input_shape),它可以自動推匯出輸入的形狀等於上一層輸出的形狀 model.add(layers.Dense(64,activation='relu',input_shape=(X_train.shape[1],))) model.add(layers.Dense(64,activation='relu')) model.add(layers.Dense(1)) #編譯網路 model.compile(optimizer='rmsprop',loss='mse',metrics=['mae']) return model num_epochs = 100 model = build_model() model.fit(X_train,y_train,epochs=num_epochs,batch_size=1,verbose=0) predicts = model.predict(X_test)
在實際操作中可以用自己的資料進行測試,最終預測出的predicts,可以利用迴歸評價指標和y_test進行模型效果的評價。
以上這篇利用keras使用神經網路預測銷量操作就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。