利用keras使用神经网络预测销量操作
keras非常方便。
不解释，直接上实例。
数据格式如下：
序号天气是否周末是否有促销销量 1坏是是高 2坏是是高 3坏是是高 4坏否是高 5坏是是高 6坏否是高 7坏是否高 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坏是是低 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坏否否低 21坏否是低 22坏否是低 23坏否是低 24坏否否低 ......
代码如下：
#-*-coding:utf-8-*- #使用神经网络算法预测销量高低 importpandasaspd #参数初始化 inputfile='data/sales_data.xls' data=pd.read_excel(inputfile,index_col=u'序号')#导入数据 #数据是类别标签，要将它转换为数据 #用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“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) printx fromkeras.modelsimportSequential fromkeras.layers.coreimportDense,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']) #编译模型。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，请阅读帮助文件。 #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
10/34[=======>......................]-ETA:0s-loss:0.3723-acc:0.8000 34/34[==============================]-0s-loss:0.4470-acc:0.7647 Epoch1000/1000
结果为经过1000轮训练准确率为0.7647.
补充知识：利用Keras搭建神经网络进行回归预测
我就废话不多说了，大家还是直接看代码吧~
fromkeras.datasetsimportboston_housing fromkerasimportmodels fromkerasimportlayers (X_train,y_train),(X_test,y_test)=boston_housing.load_data()#加载数据 #对数据进行标准化预处理，方便神经网络更好的学习 mean=X_train.mean(axis=0) X_train-=mean std=X_train.std(axis=0) X_train/=std X_test-=mean X_test/=std #构建神经网络模型 defbuild_model(): #这里使用Sequential模型 model=models.Sequential() #进行层的搭建，注意第二层往后没有输入形状(input_shape)，它可以自动推导出输入的形状等于上一层输出的形状 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)) #编译网络 model.compile(optimizer='rmsprop',loss='mse',metrics=['mae']) returnmodel 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)
在实际操作中可以用自己的数据进行测试，最终预测出的predicts，可以利用回归评价指标和y_test进行模型效果的评价。
以上这篇利用keras使用神经网络预测销量操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。