小編給大家分享一下keras使用神經網絡預測銷量的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
keras非常方便。
不解釋，直接上實例。
數據格式如下：
序號 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 ......
代碼如下：
#-*- coding: utf-8 -*-
#使用神經網絡算法預測銷量高低
import pandas as pd
#參數初始化
inputfile = 'data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序號') #導入數據
#數據是類別標簽，要將它轉換為數據
#用1來表示“好”、“是”、“高”這三個屬性，用0來表示“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為binary_crossentropy，以及模式為binary
#另外常見的損失函數還有mean_squared_error、categorical_crossentropy等，請閱讀幫助文件。
#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) #訓練模型，學習一千次
yp = model.predict_classes(x).reshape(len(y)) #分類預測10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000 34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647 Epoch 1000/1000
結果為經過1000輪訓練準確率為0.7647.
補充知識：利用Keras搭建神經網絡進行回歸預測
我就廢話不多說了，大家還是直接看代碼吧~
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()#加載數據 #對數據進行標準化預處理，方便神經網絡更好的學習 mean = X_train.mean(axis=0) X_train -= mean std = X_train.std(axis=0) X_train /= std X_test -= mean X_test /= std #構建神經網絡模型 def build_model(): #這里使用Sequential模型 model = models.Sequential() #進行層的搭建，注意第二層往后沒有輸入形狀(input_shape)，它可以自動推導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)) #編譯網絡 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)
在實際操作中可以用自己的數據進行測試，最終預測出的predicts，可以利用回歸評價指標和y_test進行模型效果的評價。
看完了這篇文章，相信你對keras使用神經網絡預測銷量的方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
