机器学习-人工神经网络

人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法。

有一种类型网络把各个结点看做是“人工神经元”，这种网络就叫做“人工神经网络”。人工神经元就是受自然神经元静息和动作电位的产生机制启发而建立的一个运算模型。神经元通过位于细胞膜或树突上的突触接受信号。当接受到的信号足够大时（超过某个门限值），神经元被激活然后通过轴突发射信号，发射的信号也许被另一个突触接受，并且可能激活别的神经元。

 

'''
BP人工神经网络的实现：
    1、读取数据
    2、导入模块 keras.models Sequential / keras.layers.core Dense Activation
    3、Sequential 建立模型
    4、Dense 建立层
    5、Activation 设定激活函数
    6、compile 模型编译
    7、fit 训练（学习）
    8、验证 （测试、分类预测）
'''
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 使用人工神经网络预测课程销量
# 数据的读取与整理
import pandas as pda
fname = "data/lesson.csv"
dataf = pda.read_csv(fname, encoding="gbk")
x = dataf.iloc[:, 1:5].values
y = dataf.iloc[:, 5].values
for i in range(0, len(x)):
    for j in range(0, len(x[i])):
        thisdata = x[i][j]
        if (thisdata == "是" or thisdata == "多" or thisdata == "高"):
            x[i][j] = int(1)
        else:
            x[i][j] = -1
for i in range(0, len(y)):
    thisdata = y[i]
    if (thisdata == "高"):
        y[i] = 1
    else:
        y[i] = -1
# 容易错的地方:直接dtc训练
# 正确的做法：转化好格式，将x，y转化为数据框，然后再转化为数组并指定格式
xf = pda.DataFrame(x)
yf = pda.DataFrame(y)
x2 = xf.values.astype(int)
y2 = yf.values.astype(int)
# print(x2)
# 使用人工神经网络模型
from keras.models import Sequential
from keras.layers.core import Dense,Activation
model=Sequential()

# 输入层
model.add(Dense(10,input_dim=len(x2[0])))
model.add(Activation("relu"))
# 输出层
model.add(Dense(1,input_dim=1))
model.add(Activation("sigmoid"))
# 模型的编译
model.compile(loss="binary_crossentropy",optimizer="adam") # 损失函数、求解方法、分类模型
# 训练
model.fit(x2,y2,nb_epoch=1000,batch_size=100) # 学习次数、批处理参数
# 预测分类
rst=model.predict_classes(x).reshape(len(x))
x=0
for i in range(0,len(x2)):
    if(rst[i]!=y[i]):
        x+=1
print("准确率",str(1-x/len(x2)))
import numpy as npy
x3=npy.array([[1,-1,-1,1],[1,1,1,1],[-1,1,-1,1]])
rst=model.predict_classes(x3).reshape(len(x3))
print("其中第一门课的预测结果为:"+str(rst[0]))
'''
准确率 0.31034482758620685
其中第一门课的预测结果为:1
'''