数据挖掘之人工神经网络

 #使用神经网络预测销量高低

    
 import pandas as pd
    
 data = pd.read_excel("sales_data.xls",index_col=u'序号')
    
  
    
 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)
    
  
    
 from keras.models import Sequential
    
 from keras.layers.core import Dense,Activation
    
  
    
 model = 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，大幅提高准确度
    
 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',metrics=['accuracy'])
    
 #编译模型。由于二元分类，损失函数为binary_crossentropy。
    
 #另外常用的损失函数还有mean_squared_error、categorical_crossentropy等
    
 #求解方法用adam，还有sgd、rmsprop可选
    
  
    
 model.fit(x,y,nb_epoch=1000,batch_size=10) #训练模型，学习一千次
    
 model.predict_classes(x).reshape(len(y)) #分类预测
    
  
    
 def cm_plot(y, yp): #混淆矩阵可视化函数
    
     from sklearn.metrics import confusion_matrix #导入混淆矩阵函数
    
     cm = confusion_matrix(y, yp) #混淆矩阵
    
   
    
     import matplotlib.pyplot as plt #导入作图库
    
     plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
    
     plt.colorbar() #颜色标签
    
   
    
     for x in range(len(cm)): #数据标签
    
     for y in range(len(cm)):
    
         plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
    
   
    
     plt.ylabel('True label') #坐标轴标签
    
     plt.xlabel('Predicted label') #坐标轴标签
    
     return plt
    
  
    
 cm_plot(y,yp).show()