python数据分析与挖掘实战P99面程序--神经网算法络预测销量高低+混淆矩阵绘图显示

• python数据分析与挖掘实战P99面程序–神经网算法络预测销量高低+混淆矩阵绘图显示
• 解决保存问题：ValueError: (‘Some keys in session_kwargs are not supported at this time: %s’, dict_keys([‘class_mode’]))
• 参考：https://blog.csdn.net/zhjulia123/article/details/79245483

# -*- coding: utf-8 -*-
\"\"\"
Created on Sun Dec 23 12:09:04 2018

@author: muli
\"\"\"

#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\'] = 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，能够大幅提供准确度
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\', class_mode = \'binary\')
model.compile(loss=\'binary_crossentropy\', optimizer=\'adam\', 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

#训练模型，学习一千次
model.fit(x, y, nb_epoch = 1000, batch_size = 10) 
#分类预测
yp = model.predict_classes(x).reshape(len(y)) 


#导入自行编写的混淆矩阵可视化函数
def cm_plot(y, yp):
  #导入混淆矩阵函数
  from sklearn.metrics import confusion_matrix 
  #混淆矩阵
  cm = confusion_matrix(y, yp) 
  #导入作图库
  import matplotlib.pyplot as plt 
  #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
  plt.matshow(cm, cmap=plt.cm.Greens) 
  #颜色标签
  plt.colorbar() 
  #数据标签
  for x in range(len(cm)): 
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment=\'center\',
                   verticalalignment=\'center\')
  #坐标轴标签
  plt.ylabel(\'True label\') 
  #坐标轴标签
  plt.xlabel(\'Predicted label\') 
  return plt

#显示混淆矩阵可视化结果
cm_plot(y,yp).show()