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。