小编给大家分享一下keras使用神经网络预测销量的方法，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

keras非常方便。

不解释，直接上实例。

数据格式如下：

序号 天气 是否周末 是否有促销 销量1 坏 是 是 高2 坏 是 是 高3 坏 是 是 高4 坏 否 是 高5 坏 是 是 高6 坏 否 是 高7 坏 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 坏 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 坏 否 否 低21 坏 否 是 低22 坏 否 是 低23 坏 否 是 低24 坏 否 否 低......

代码如下：

#-*- coding: utf-8 -*-#使用神经网络算法预测销量高低import pandas as pd#参数初始化inputfile = 'data/sales_data.xls'data = pd.read_excel(inputfile, index_col = u'序号') #导入数据#数据是类别标签，要将它转换为数据#用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”data[data == u'好'] = 1data[data == u'是'] = 1data[data == u'高'] = 1data[data != 1] = 0x = data.iloc[:,:3].as_matrix().astype(int)y = data.iloc[:,3].as_matrix().astype(int)print xfrom keras.models import Sequentialfrom keras.layers.core import Dense, Activation,Dropoutmodel = 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'])#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary#另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。#求解方法我们指定用adam，还有sgd、rmsprop等可选model.fit(x, y, nb_epoch = 1000, batch_size = 10) #训练模型，学习一千次yp = model.predict_classes(x).reshape(len(y)) #分类预测

10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.800034/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647 Epoch 1000/1000

结果为经过1000轮训练准确率为0.7647.

补充知识：利用Keras搭建神经网络进行回归预测

我就废话不多说了，大家还是直接看代码吧~

from keras.datasets import boston_housingfrom keras import modelsfrom keras import layers (X_train, y_train), (X_test, y_test) = boston_housing.load_data()#加载数据 #对数据进行标准化预处理，方便神经网络更好的学习mean = X_train.mean(axis=0)X_train -= meanstd = X_train.std(axis=0)X_train /= stdX_test -= meanX_test /= std #构建神经网络模型def build_model(): #这里使用Sequential模型 model = models.Sequential() #进行层的搭建，注意第二层往后没有输入形状(input_shape)，它可以自动推导出输入的形状等于上一层输出的形状 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)) #编译网络 model.compile(optimizer='rmsprop', loss='mse', metrics=['mae']) return model num_epochs = 100model = build_model()model.fit(X_train, y_train,epochs=num_epochs, batch_size=1, verbose=0)predicts = model.predict(X_test)

在实际操作中可以用自己的数据进行测试，最终预测出的predicts，可以利用回归评价指标和y_test进行模型效果的评价。

看完了这篇文章，相信你对keras使用神经网络预测销量的方法有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！