Python数据挖掘建模 chapter_5 神经网络算法

来源:互联网 发布:js 格式化数字 前补零 编辑:程序博客网 时间:2024/03/28 18:19
1.人工神经网络:
BP神经网络误差逆传播算法训练的多层前馈网络LM神经网络基于梯度下降和牛顿法结合点多层前馈网络,迭代少,精度高RBF径向积神经网络可以任意精度逼近连续函数,适合解决分类问题FNN模糊神经网络具有模糊系数或输入信号是模糊量的神经网络GMDH神经网络多项式神经网络,前馈神经网络中用于预测的不稳定结构网络ANFIS自适应神经网络全模糊结构,可自动产生、修正并高度概括规则

(训练数据需要TensorFlow、keras、pandas等相关64位Python库)

数据举例:

numwealthweekendp_salenum_sale1badyesyeshigh2badyesyeshigh3badyesyeshigh4badnoyeshigh5badyesyeshigh6badnoyeshigh7badyesnohigh8goodyesyeshigh9goodyesnohigh。。。

data[data == u'yes'] = 1data[data == u'high'] = 1data[data != 1] = 0x = data.iloc[:,:3].as_matrix().astype(int)y = data.iloc[:,3].as_matrix().astype(int)from keras.models import Sequentialfrom keras.layers.core import Dense, Activationmodel = Sequential() #建立模型model.add(Dense(input_dim = 3, output_dim = 10))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))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')#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,求解方法我们指定用adam,还有sgd、rmsprop等可选model.fit(x, y, nb_epoch = 500, batch_size = 10) #训练模型,学习500次yp = model.predict_classes(x).reshape(len(y)) #分类预测#from cm_plot import * #导入自行编写的混淆矩阵可视化函数#cm_plot(y,yp).show() #显示混淆矩阵可视化结果print yprint yp

原创粉丝点击