标签：real 人工智能 res np te data 第四章 out
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.
"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
def sigmoid(x): # 定义网络激活函数
return 1/(1+np.exp(-x))
data_tr = pd.read_csv(r'D:\人工智能\3.3 data_tr.txt') # 训练集样本
data_te = pd.read_csv(r'D:\人工智能\3.3 data_te.txt') # 测试集样本
n = len(data_tr)
yita = 0.85
out_in = np.array([0, 0, 0, 0, -1]) # 输出层的输入，即隐层的输出
w_mid = np.zeros([3,4]) # 隐层神经元的权值&阈值
w_out = np.zeros([5]) # 输出层神经元的权值&阈值
delta_w_out = np.zeros([5]) # 输出层权值&阈值的修正量
delta_w_mid = np.zeros([3,4]) # 中间层权值&阈值的修正量
Err = []
'''
模型训练
'''
for j in range(8):
error = []
for it in range(n): #训练集有n条记录
net_in = np.array([data_tr.iloc[it, 0], data_tr.iloc[it, 1], -1]) # 网络输入
real = data_tr.iloc[it, 2] #第it行第2列的值，也就是此记录的真实值
for i in range(4):
out_in[i] = sigmoid(sum(net_in * w_mid[:, i])) # 从输入到隐层的传输过程
res = sigmoid(sum(out_in * w_out)) # 预测值
error.append(abs(real-res))#第一条记录的误差
# print(it, '个样本的模型输出：', res, 'real:', real)
delta_w_out = yita*res*(1-res)*(real-res)*out_in # 输出层权值的修正量
delta_w_out[4] = -yita*res*(1-res)*(real-res) # 输出层阈值的修正量
w_out = w_out + delta_w_out # 更新，加上修正量
for i in range(4):
delta_w_mid[:, i] = yita*out_in[i]*(1-out_in[i])*w_out[i]*res*(1-res)*(real-res)*net_in # 中间层神经元的权值修正量
delta_w_mid[2, i] = -yita*out_in[i]*(1-out_in[i])*w_out[i]*res*(1-res)*(real-res) # 中间层神经元的阈值修正量,第2行是阈值
w_mid = w_mid + delta_w_mid # 更新，加上修正量
# error=[error1,error2,...,error500] np.mean(error):500条记录的平均误差
Err.append(np.mean(error))
print(w_mid,w_out)
plt.plot(Err)#训练集上每一轮的平均误差，对训练集进行1000轮训练
plt.show()
plt.close()
'''
将测试集样本放入训练好的网络中去
'''
error_te = []
score=[]
m=len(data_te)
for it in range(m): #测试集有m条记录
net_in = np.array([data_te.iloc[it, 0], data_te.iloc[it, 1], -1]) # 网络输入
real = data_te.iloc[it, 2]
for i in range(4):
out_in[i] = sigmoid(sum(net_in * w_mid[:, i])) # 从输入到隐层的传输过程
res = sigmoid(sum(out_in * w_out)) # 模型预测值
error_te.append(abs(real-res))
if(abs(real-res)<0.1718):
score.append(1)
else:
score.append(0)
score_array = np.asfarray(score)
print("测试集进行1轮测试的正确率是：",(score_array.sum()/score_array.size)*100,'%')
plt.plot(error_te)#测试集上每一轮的误差
plt.show()
err2=np.mean(error_te)
print("测试集进行1轮测试的平均误差:",err2)
标签：real,人工智能,res,np,te,data,第四章,out 来源： https://www.cnblogs.com/3031lyl/p/16037178.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。