程式碼來源：Python資料分析與挖掘實戰

# -*- coding: utf-8 -*-
# 使用神經網路演算法預測銷量高低

import sys
reload(sys)
sys.setdefaultencoding('utf-8')    #匯入sys，重新設定編碼格式主要是為了解決執行程式碼報：UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6 in position 129: ordinal not in range(128)
import pandas as pd
from keras.models import Sequential    #順序模型
from keras.layers.core import Dense, Activation
from cm_plot import *

inputfile = '../data/sales_data.xls'
data = pd.read_excel(inputfile, index_col=u'序號')

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)

model = Sequential()    #建立模型後可以使用.add來堆疊模型
model.add(Dense(input_dim=3, output_dim=10))    #建立的神經網路有3個輸入節點、10個隱藏節點,新增輸入層(3節點)到隱藏層(10節點)的連線
model.add(Activation('relu'))    #用relu函式作為啟用函式，能夠大幅提供準確度
model.add(Dense(input_dim=10, output_dim=1))    #新增隱藏層(10節點)到輸出層(1節點)的連線
model.add(Activation('sigmoid'))    #由於是0-1輸出，用sigmoid函式作為啟用函式

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])   #crossentropy: 交叉熵； 使用的優化器是'adam'
#變異模型。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
#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；predict_classes()只能用於序列模型來預測，不能用於函式式模型
cm_plot(y, yp).show()    #顯示混淆矩陣視覺化結果
 

cm_plot.py

#-*- coding: utf-8 -*-

def cm_plot(y, yp):
  from sklearn.metrics import confusion_matrix    #匯入混淆矩陣函式
  cm = confusion_matrix(y, yp)    #混淆矩陣
  import matplotlib.pyplot as plt
  plt.matshow(cm, cmap=plt.cm.Greens)     #畫混淆矩陣圖，配色風格使用cm.Greens
  plt.colorbar()    #顏色標籤
  
  for x in range(len(cm)):    #資料標籤
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  
  plt.ylabel('True label')    #座標軸標籤
  plt.xlabel('Predicted label')    #座標軸標籤
  return plt
 

 輸出：