keras使用神經網路預測銷量
阿新 • • 發佈:2019-01-28
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.