热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

【Python神经网络预测】

Python-神经网络预测目的:预测钢铁成锭率导入模块读取文件标准化转换输出均值,方差测试数据输出权重矩阵,系数矩阵模型评价画图目的&#x


Python-神经网络预测

  • 目的:预测钢铁成锭率
  • 导入模块
  • 读取文件
  • 标准化转换
  • 输出均值,方差
  • 测试数据
  • 输出权重矩阵,系数矩阵
  • 模型评价
  • 画图


目的:预测钢铁成锭率


导入模块

from matplotlib import pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd


读取文件

在这里插入图片描述
#原数据差不多是下面那样
原数据

file_path = ‘data/成锭率.csv’
df = pd.read_csv(file_path)
Y = df.iloc[:, 14]
X = df.values[:, 0:14]


标准化转换

scaler=StandardScaler()
X = scaler.fit_transform(X)


输出均值,方差

print(“拟合后的均值为:”, scaler.mean_)
print(“拟合后的方差:”, scaler.var_)

clf = MLPRegressor(solver=‘lbfgs’, activation=‘relu’, learning_rate_init=0.001,alpha=0.001,max_iter=1000000, hidden_layer_sizes=(40,40))
clf.fit(X,Y)


测试数据

pred = clf.predict(scaler.transform([[3.66,4.55,6.27,0.24,5.68,8.75,2.35,2.86,0.123,0.536,5.145,2.48,0.55,0.49],[4.68,4.12,7.32,4.55,6.02,8.01,2.35,2.86,0.225,1.251,5.145,2.48,0.55,0.49],[6.38,7.32,8.61,4.25,6.86,3.61,1.55,1.65,0.144,1.652,1.035,1.55,0.27,0.54],
[3.26,4.55,6.23,4.56,6.55,3.29,0.62,0.86,0.429,2.409,1.035,1.75,0.46,0.53],
[6.22,6.54,8.66,4.65,4.58,3.25,1.45,1.66,0.555,0.456,0.756,1.57,0.46,0.52],
[8.05,9.12,0.26,0.12,6.08,8.87,1.26,2.31,0.552,2.548,0.185,2.15,0.48,0.51],
[8.23,7.85,4.87,6.54,6.08,9.12,1.26,3.56,0.463,0.255,1.013,2.15,0.48,0.51],
[7.56,7.56,7.47,6.25,6.55,8.88,1.26,2.31,0.552,2.456,0.185,2.15,0.48,0.51],
[6.45,8.01,8.56,6.54,6.08,8.48,1.26,3.56,0.463,0.574,1.013,2.15,0.48,0.51]]))
print(‘回归预测结果:’, pred)
ypred = clf.predict(X)
print(ypred)


输出权重矩阵,系数矩阵

index=0
for w in clf.coefs_:
index += 1
print(‘第{}层网络层:’.format(index))
print(‘权重矩阵:’, w.shape)
print(‘系数矩阵:’, w)


模型评价

score = clf.score(X, Y)# 相关系数
print(np.abs(df.iloc[:,14]-ypred).mean() )


画图

plt.figure()
plt.plot(np.arange(len(Y)), Y, “bo-”, label=“真实值”) # 训练数据和训练标签
plt.plot(np.arange(len(ypred )), ypred , “ro-”, label=“预测值”) # 训练数据和模型预测的标签
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 显示中文
plt.title(f’sklearn神经网络—拟合度:{score}\n’)
plt.legend(loc=“best”)
plt.show()
在这里插入图片描述

完整代码

from matplotlib import pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd
file_path = 'data/成锭率.csv'
df = pd.read_csv(file_path)
Y = df.iloc[:, 14]
X = df.values[:, 0:14]
# 标准化转换
scaler=StandardScaler()
X = scaler.fit_transform(X)
print("拟合后的均值为:", scaler.mean_)
print("拟合后的方差:", scaler.var_)
clf = MLPRegressor(solver='lbfgs', activation='relu', learning_rate_init=0.001,alpha=0.001,max_iter=1000000, hidden_layer_sizes=(40,40))
clf.fit(X,Y)
# 测试数据
pred = clf.predict(scaler.transform([[3.66,4.55,6.27,0.24,5.68,8.75,2.35,2.86,0.123,0.536,5.145,2.48,0.55,0.49],[4.68,4.12,7.32,4.55,6.02,8.01,2.35,2.86,0.225,1.251,5.145,2.48,0.55,0.49],[6.38,7.32,8.61,4.25,6.86,3.61,1.55,1.65,0.144,1.652,1.035,1.55,0.27,0.54],
[3.26,4.55,6.23,4.56,6.55,3.29,0.62,0.86,0.429,2.409,1.035,1.75,0.46,0.53],
[6.22,6.54,8.66,4.65,4.58,3.25,1.45,1.66,0.555,0.456,0.756,1.57,0.46,0.52],
[8.05,9.12,0.26,0.12,6.08,8.87,1.26,2.31,0.552,2.548,0.185,2.15,0.48,0.51],
[8.23,7.85,4.87,6.54,6.08,9.12,1.26,3.56,0.463,0.255,1.013,2.15,0.48,0.51],
[7.56,7.56,7.47,6.25,6.55,8.88,1.26,2.31,0.552,2.456,0.185,2.15,0.48,0.51],
[6.45,8.01,8.56,6.54,6.08,8.48,1.26,3.56,0.463,0.574,1.013,2.15,0.48,0.51]]))
print('回归预测结果:', pred)
ypred = clf.predict(X)
print(ypred)
index=0
for w in clf.coefs_:index += 1print('第{}层网络层:'.format(index))print('权重矩阵:', w.shape)print('系数矩阵:', w)
score = clf.score(X, Y)# 模型评价
print(np.abs(df.iloc[:,14]-ypred).mean() ) # 模型评价
plt.figure()
plt.plot(np.arange(len(Y)), Y, "bo-", label="真实值") # 训练数据和训练标签
plt.plot(np.arange(len(ypred )), ypred , "ro-", label="预测值") # 训练数据和模型预测的标签
plt.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文
plt.title(f'sklearn神经网络---拟合度:{score}\n')
plt.legend(loc="best")
plt.show()

推荐阅读
  • 在第七天的深度学习课程中,我们将重点探讨DGL框架的高级应用,特别是在官方文档指导下进行数据集的下载与预处理。通过详细的步骤说明和实用技巧,帮助读者高效地构建和优化图神经网络的数据管道。此外,我们还将介绍如何利用DGL提供的模块化工具,实现数据的快速加载和预处理,以提升模型训练的效率和准确性。 ... [详细]
  • 本文将深入探讨生成对抗网络(GAN)在计算机视觉领域的应用。作为该领域的经典模型,GAN通过生成器和判别器的对抗训练,能够高效地生成高质量的图像。本文不仅回顾了GAN的基本原理,还将介绍一些最新的进展和技术优化方法,帮助读者全面掌握这一重要工具。 ... [详细]
  • 运用Isotonic回归算法解决鸢尾花数据集中的回归挑战
    本文探讨了利用Isotonic回归算法解决鸢尾花数据集中的回归问题。首先介绍了Isotonic回归的基本原理及其在保持单调性方面的优势,并通过具体示例说明其应用方法。随后详细描述了鸢尾花数据集的特征和获取途径,最后展示了如何将Isotonic回归应用于该数据集,以实现更准确的预测结果。 ... [详细]
  • 【图像分类实战】利用DenseNet在PyTorch中实现秃头识别
    本文详细介绍了如何使用DenseNet模型在PyTorch框架下实现秃头识别。首先,文章概述了项目所需的库和全局参数设置。接着,对图像进行预处理并读取数据集。随后,构建并配置DenseNet模型,设置训练和验证流程。最后,通过测试阶段验证模型性能,并提供了完整的代码实现。本文不仅涵盖了技术细节,还提供了实用的操作指南,适合初学者和有经验的研究人员参考。 ... [详细]
  • 通过使用CIFAR-10数据集,本文详细介绍了如何快速掌握Mixup数据增强技术,并展示了该方法在图像分类任务中的显著效果。实验结果表明,Mixup能够有效提高模型的泛化能力和分类精度,为图像识别领域的研究提供了有价值的参考。 ... [详细]
  • 探索聚类分析中的K-Means与DBSCAN算法及其应用
    聚类分析是一种用于解决样本或特征分类问题的统计分析方法,也是数据挖掘领域的重要算法之一。本文主要探讨了K-Means和DBSCAN两种聚类算法的原理及其应用场景。K-Means算法通过迭代优化簇中心来实现数据点的划分,适用于球形分布的数据集;而DBSCAN算法则基于密度进行聚类,能够有效识别任意形状的簇,并且对噪声数据具有较好的鲁棒性。通过对这两种算法的对比分析,本文旨在为实际应用中选择合适的聚类方法提供参考。 ... [详细]
  • 基于收支数据的聚类分析研究
    通过对收支数据进行聚类分析,研究发现聚类结果的解释和验证是关键步骤。为了确保分群的合理性和有效性,需要结合业务背景和实际需求,灵活选择合适的聚类数量。该研究利用Python中的Pandas和Matplotlib库对数据进行了预处理和可视化,为决策提供了科学依据。 ... [详细]
  • 在该项目中,参与者需结合历史使用模式和天气数据,以预测华盛顿特区自行车共享系统的租赁需求。数据分析部分首先涉及数据的收集,包括用户骑行记录和气象信息,为后续模型构建提供基础。通过深入的数据预处理和特征工程,确保数据质量和模型准确性,最终实现对自行车租赁需求的有效预测。 ... [详细]
  • 本指南从零开始介绍Scala编程语言的基础知识,重点讲解了Scala解释器REPL(读取-求值-打印-循环)的使用方法。REPL是Scala开发中的重要工具,能够帮助初学者快速理解和实践Scala的基本语法和特性。通过详细的示例和练习,读者将能够熟练掌握Scala的基础概念和编程技巧。 ... [详细]
  • 针对图像分类任务的训练方案进行了优化设计。通过引入PyTorch等深度学习框架,利用其丰富的工具包和模块,如 `torch.nn` 和 `torch.nn.functional`,提升了模型的训练效率和分类准确性。优化方案包括数据预处理、模型架构选择和损失函数的设计等方面,旨在提高图像分类任务的整体性能。 ... [详细]
  • 机器学习中的标准化缩放、最小-最大缩放及鲁棒缩放技术解析 ... [详细]
  • 探索偶数次幂二项式系数的求和方法及其数学意义 ... [详细]
  • 在Python多进程编程中,`multiprocessing`模块是不可或缺的工具。本文详细探讨了该模块在多进程管理中的核心原理,并通过实际代码示例进行了深入分析。文章不仅总结了常见的多进程编程技巧,还提供了解决常见问题的实用方法,帮助读者更好地理解和应用多进程编程技术。 ... [详细]
  • 利用树莓派畅享落网电台音乐体验
    最近重新拾起了闲置已久的树莓派,这台小巧的开发板已经沉寂了半年多。上个月闲暇时间较多,我决定将其重新启用。恰逢落网电台进行了改版,回忆起之前在树莓派论坛上看到有人用它来播放豆瓣音乐,便萌生了同样的想法。通过一番调试,终于实现了在树莓派上流畅播放落网电台音乐的功能,带来了全新的音乐享受体验。 ... [详细]
  • 利用 Python 管道实现父子进程间高效通信 ... [详细]
author-avatar
栋逼逼丶
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有