数据挖掘-分类与预测-神经网络算法

代码来源:Python数据分析与挖掘实战

# -*- coding: utf-8 -*-
# 使用神经网络算法预测销量高低

import sys
reload(sys)
sys.setdefaultencoding('utf-8')    #导入sys,重新设置编码格式主要是为了解决执行代码报: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    #顺序模型
from keras.layers.core import Dense, Activation
from cm_plot import *

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

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()    #建立模型后可以使用.add来堆叠模型
model.add(Dense(input_dim=3, output_dim=10))    #建立的神经网络有3个输入节点、10个隐藏节点,添加输入层(3节点)到隐藏层(10节点)的连接
model.add(Activation('relu'))    #用relu函数作为激活函数,能够大幅提供准确度
model.add(Dense(input_dim=10, output_dim=1))    #添加隐藏层(10节点)到输出层(1节点)的连接
model.add(Activation('sigmoid'))    #由于是0-1输出,用sigmoid函数作为激活函数

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])   #crossentropy: 交叉熵; 使用的优化器是'adam'
#变异模型。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
#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;predict_classes()只能用于序列模型来预测,不能用于函数式模型
cm_plot(y, yp).show()    #显示混淆矩阵可视化结果

cm_plot.py

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

def cm_plot(y, yp):
  from sklearn.metrics import confusion_matrix    #导入混淆矩阵函数
  cm = confusion_matrix(y, yp)    #混淆矩阵
  import matplotlib.pyplot as plt
  plt.matshow(cm, cmap=plt.cm.Greens)     #画混淆矩阵图,配色风格使用cm.Greens
  plt.colorbar()    #颜色标签
  
  for x in range(len(cm)):    #数据标签
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  
  plt.ylabel('True label')    #坐标轴标签
  plt.xlabel('Predicted label')    #坐标轴标签
  return plt

 输出:

数据挖掘-分类与预测-神经网络算法_第1张图片

你可能感兴趣的:(Python数据分析与挖掘)