一、BP神經網絡

這里介紹目前常用的BP神經網絡，其網絡結構及數學模型如下：

x為??n 維向量， y 為?n 維向量，隱含層有?q 個神經元。假設?N 有個樣本數據，𝑦𝑡,𝑥𝑡,𝑡=1,2,…𝑁{y(t),x(t),t=1,2,…N}。從輸入層到隱含層的權重記為： 𝑊𝑘𝑖(𝑘=1,2,..,𝑞,𝑖=1,2,…𝑛)W_ki (k=1,2,..,q,i=1,2,…n)，從隱含層到輸出層的權重記為：𝑊𝑘𝑖𝑘=1,2,…𝑞,𝑖=1,2,…𝑛?W_ki (k=1,2,…q,i=1,2,…n)? 。?

1）以澳大利亞信貸批準數據集為例，介紹Python神經網絡分類模型的應用。具體計算流程及思路如下：
1.數據獲取及訓練樣本、測試樣本的劃分
2.神經網絡分類模型構建

（1）導入神經網絡分類模塊MLPClassifier。

from sklearn.neural_network import MLPClassifier

（2）利用MLPClassifier創建神經網絡分類對象clf。

clf = MLPClassifier(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5,2), random_state=1)

參數說明：

Solver：神經網絡優化求解算法，包括lbfgs、sgd、adam三種，默認為adam

Alpha：模型訓練誤差，默認為0.0001

Hidden_layer_sizes：隱含層神經元個數，如果是單層神經元，設置其具體數值即可，本例中隱含層有兩層，為5*2.

random_state：默認設置為1即可。

（3）調用clf對象中的fit()方法進行網絡訓練。

clf.fit(x, y)

（4）調用clf對象中的score ()方法，獲得神經網絡的預測準確率（針對訓練數據）

rv=clf.score(x,y)

（5）調用clf對象中的predict()方法可以對測試樣本進行預測，獲得其預測結果

R=clf.predict(x1)

示例代碼如下：

import pandas as pd data = pd.read_excel('credit.xlsx') x = data.iloc[:600,:14].as_matrix() y = data.iloc[:600,14].as_matrix() x1= data.iloc[600:,:14].as_matrix() y1= data.iloc[600:,14].as_matrix() from sklearn.neural_network import MLPClassifier clf = MLPClassifier(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5,2), random_state=1) clf.fit(x, y); rv=clf.score(x,y) R=clf.predict(x1) Z=R-y1 Rs=len(Z[Z==0])/len(Z) print('預測結果為：',R) print('預測準確率為：',Rs)

執行結果如下：

預測結果為： [0 1 1 1 1 0 0 1 0 1 1 0 0 0 1 1 0 0 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 1 1 0 1 0 1 1 0 1 0 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 1 0 0 1 0 1 1 0 0 1 0]

預測準確率為： 0.8222222222222222

2）以5.3.3中的發電場數據為例，預測AT=28.4，V=50.6，AP=1011.9，RH=80.54時的PE值。其計算流程及思路如下：

1．數據獲取及訓練樣本構建

其中訓練樣本的特征輸入變量用x表示，輸出變量用y表示。

import pandas as pddata = pd.read_excel('發電場數據.xlsx')x = data.iloc[:,0:4]y = data.iloc[:,4]

2．預測樣本的構建

其中預測樣本的輸入特征變量用x1表示

import numpy as npx1=np.array([28.4,50.6,1011.9,80.54])x1=x1.reshape(1,4)

3．神經網絡回歸模型構建

（1）導入神經網絡回歸模塊MLPRegressor。

from sklearn.neural_network import MLPRegressor

（2）利用MLPRegressor創建神經網絡回歸對象clf。

clf = MLPRegressor(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=8, random_state=1)

參數說明：

Solver：神經網絡優化求解算法，包括lbfgs、sgd、adam三種，默認為adam

Alpha：模型訓練誤差，默認為0.0001

Hidden_layer_sizes：隱含層神經元個數，如果是單層神經元，設置其具體數值即可，如果是多層，比如隱含層有兩層5*2，則hidden_layer_sizes=(5,2).

random_state：默認設置為1即可。

（3）調用clf對象中的fit()方法進行網絡訓練。

clf.fit(x, y)

（4）調用clf對象中的score ()方法，獲得神經網絡回歸的擬合優度（判決系數）。

rv=clf.score(x,y)

（5）調用clf對象中的predict()可以對測試樣本進行預測，獲得其預測結果。

R=clf.predict(x1)

示例代碼如下：

import pandas as pd data = pd.read_excel('發電場數據.xlsx') x = data.iloc[:,0:4] y = data.iloc[:,4] from sklearn.neural_network import MLPRegressor clf = MLPRegressor(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=8, random_state=1) clf.fit(x, y); rv=clf.score(x,y) import numpy as np x1=np.array([28.4,50.6,1011.9,80.54]) x1=x1.reshape(1,4) R=clf.predict(x1) print('樣本預測值為：',R)

輸出結果為：

樣本預測值為： [ 439.27258187]

?

總結

以上是生活随笔為你收集整理的用python实现神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。