keras使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)銷量的方法

序號(hào) 天氣 是否周末  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
......

#-*- coding: utf-8 -*-
#使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)銷量高低
import pandas as pd
#參數(shù)初始化
inputfile = 'data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序號(hào)') #導(dǎo)入數(shù)據(jù)

#數(shù)據(jù)是類別標(biāo)簽，要將它轉(zhuǎn)換為數(shù)據(jù)
#用1來(lái)表示“好”、“是”、“高”這三個(gè)屬性，用0來(lái)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。由于我們做的是二元分類，所以我們指定損失函數(shù)為binary_crossentropy，以及模式為binary
#另外常見(jiàn)的損失函數(shù)還有mean_squared_error、categorical_crossentropy等，請(qǐng)閱讀幫助文件。
#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(xùn)練模型，學(xué)習(xí)一千次
yp = model.predict_classes(x).reshape(len(y)) #分類預(yù)測(cè)

10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000
34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647   
Epoch 1000/1000

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()#加載數(shù)據(jù)
 
#對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，方便神經(jīng)網(wǎng)絡(luò)更好的學(xué)習(xí)
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(gòu)建神經(jīng)網(wǎng)絡(luò)模型
def build_model():
  #這里使用Sequential模型
  model = models.Sequential()
  #進(jìn)行層的搭建，注意第二層往后沒(méi)有輸入形狀(input_shape)，它可以自動(dòng)推導(dǎo)出輸入的形狀等于上一層輸出的形狀
  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(wǎng)絡(luò)
  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)