#bp人工神經網路實現
#1.讀取資料
#2.匯入keras.models sequential /keras.layers.core dense,activation
#3.squential 建立模型
#4.dense 建立層
#5.activation啟用函式
#6.compile模型編譯
#7.fit訓練（學習）
#8.驗證（測試，分類**）
import numpy as np
import pandas as pd
from keras.models import sequential
from keras.layers.core import dense,activation
dataframe=pd.read_csv("路徑檔案",encoding="gbk")
#print(dataframe)
x=dataframe.ix[:,1:5].as_matrix()
y=dataframe.ix[:,5].as_matrix()
for i in range(0,len(x)):
for j in range(0,len(x[i])):
if (x[i][j]=="是" or x[i][j]=="多"):
x[i][j]=1
else:
x[i][j]=0
for i in range(0,len(y)):
if (y[i]=="高"):
y[i]=1
else:
y[i]=0
#建立模型
model=sequential()
#輸入層
model.add(dense(10,input_dim=len(x[0])))
model.add(activation("relu"))#啟用函式為relu
#輸出層
model.add(dense(1,input_dim=1))
model.add(activation("sigmoid"))#啟用函式為sigmoid
#模型編譯
model.compile(optimizer="adam",loss="binary_crossentropy")#損失函式設為binary_crossentropy
#模型訓練
model.fit(x,y,epochs=1000,batch_size=100)#訓練1000次
#**final=model.predict_classes(x)
#算正確率
t=0for i in range(0,len(final)):
if(final[i]==y[i]):
t+=1
print(t/len(x))
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...