BP神经网络模型：Python

本文介绍了运用计量统计软件Spyder(3.2.6 MAC-Python是版本3.6)建立BP神经网络模型的方法。Spyder是一款出色的Python语言编辑器，界面类似Matlab。主要运用的方程是MLPClassifier

整理数据

在Excel中将变量按列整理好，其中1至13列为输入变量，第14列为输出变量，即输入层包含13个神经元，输出层又一个神经元。另外设定一个隐含层，包括20个神经元

每个神经元包含252个数据点，其中最后一个点不参与训练，留作测试最终的模型，即利用前251个数据点训练模型，利用最后一个点检验模型

在Spyder中输入数据

1、打开Terminal，输入spyder，按Enter键确认，打开Spyder界面

2、在Console中右击，可选择清除所有变量和Console历史

3、删除屏幕上的代码，点击保存，将文件保存在数据所在的文件夹

4、导入pandas包，利用其读取Excel。导入numpy包，利用设定数据类型。导入sklearn.neural_network包，利用其MLPClassifier函数

1.import pandas # for reading excel data

2.import numpy # set data as integer

3.from sklearn.neural_network import MLPClassifier # for the modelfit

5、利用pandas.read_excel读取Excel，提示FileNotFoundError: [Errno 2] No such file or directory:'DataForThesis.xlsx'，这是因为Spyder重启后，路径不再是文件所在位置，需要在路径栏调整位置

6、调整路径后，运行pandas.read_excel，设定为无变量名称，变量df出现在Variableexplorer栏中。252行14列，对应14个变量和采集的252个数据

1.import pandas #for excel reading

2.import numpy # for type transfer

3.import sklearn #for PCA and scale

4.

5.df = pandas.read_excel("bodyfat_dataset.xlsx",header=None)

6.

7、选定训练数据和测试数据。需要特别说明的是numpy.int_()，她将提取的变量设定为整数，否则模型无法训练

1.import pandas #for excel reading

2.import numpy # for type transfer

3.import sklearn #for PCA and scale

4.

5.df = pandas.read_excel("bodyfat_dataset.xlsx",header=None)

6.

7.data_train_x = numpy.int_(df.iloc[0:251,0:13])

8.data_train_y = numpy.int_(df.iloc[0:251,13])

9.data_test_x = numpy.int_(df.iloc[251,0:13])

10.data_test_y = numpy.int_(df.iloc[251,13])

11.

进行BP神经网络建模

数据录入完成后，继续输入代码

1、直接提用sklearn.neural_network下的MLPClassifier函数，建立模型，同时设定隐含层有20个神经元，传递函数函数为Sigmoid函数。利用mlp.fit训练模型

1.import pandas #for excel reading

2.import numpy # for type transfer

3.import sklearn #for PCA and scale

4.

5.df = pandas.read_excel("bodyfat_dataset.xlsx",header=None)

6.

7.data_train_x = numpy.int_(df.iloc[0:251,0:13])

8.data_train_y = numpy.int_(df.iloc[0:251,13])

9.data_test_x = numpy.int_(df.iloc[251,0:13])

10.data_test_y = numpy.int_(df.iloc[251,13])

11.

12.mlp =MLPClassifier(hidden_layer_sizes=(20),activation=('logistic'))

13.mlp.fit(data_train_x,data_train_y)

14.

2、对模型进行测试，并求得预测值与目标值的偏差

1.import pandas #for excel reading

2.import numpy # for type transfer

3.import sklearn #for PCA and scale

4.

5.df = pandas.read_excel("bodyfat_dataset.xlsx",header=None)

6.

7.data_train_x = numpy.int_(df.iloc[0:251,0:13])

8.data_train_y = numpy.int_(df.iloc[0:251,13])

9.data_test_x = numpy.int_(df.iloc[251,0:13])

10.data_test_y = numpy.int_(df.iloc[251,13])

11.

12.mlp =MLPClassifier(hidden_layer_sizes=(20),activation=('logistic'))

13.mlp.fit(data_train_x,data_train_y)

14.

15.print(mlp.predict(data_test_x)-data_test_y)

16.