BP神经网络预测（python）

可以参考新发布的文章
1.mlp多层感知机预测（python）
2.lstm时间序列预测+GRU（python）
下边是基于Python的简单的BP神经网络预测，多输入单输出，也可以改成多输入多输出，下边是我的数据，蓝色部分预测红色（x,y,v为自变量，z为因变量）
数据集下载链接1，点击下载
数据集下载链接2（github），点击下载

话不多说，直接上代码，具体实现在代码里有注释

# -*- coding: utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport BPNNfrom sklearn import metricsfrom sklearn.metrics import mean_absolute_errorfrom sklearn.metrics import mean_squared_errordef inverse_transform_col(scaler,y,n_col):'''scaler是对包含多个feature的X拟合的,y对应其中一个feature,n_col为y在X中对应的列编号.返回y的反归一化结果'''y = y.copy()y -= scaler.min_[n_col]y /= scaler.scale_[n_col]return y#导入必要的库df1=pd.read_excel('2000.xls',0)df1=df1.iloc[:,:]#进行数据归一化from sklearn import preprocessingmin_max_scaler = preprocessing.MinMaxScaler()df0=min_max_scaler.fit_transform(df1)df = pd.DataFrame(df0, columns=df1.columns)x=df.iloc[:,:-1]y=df.iloc[:,-1]#划分训练集测试集cut=300#取最后cut=30天为测试集x_train, x_test=x.iloc[:-cut],x.iloc[-cut:]#列表的切片操作，X.iloc[0:2400，0:7]即为1-2400行，1-7列y_train, y_test=y.iloc[:-cut],y.iloc[-cut:]x_train, x_test=x_train.values, x_test.valuesy_train, y_test=y_train.values, y_test.values#神经网络搭建bp1 = BPNN.BPNNRegression([3, 16, 1])train_data = [[sx.reshape(3,1), sy.reshape(1,1)] for sx, sy in zip(x_train, y_train)]test_data = [np.reshape(sx, (3,1)) for sx in x_test]#神经网络训练bp1.MSGD(train_data, 60000, len(train_data), 0.2)#神经网络预测y_predict=bp1.predict(test_data)y_pre = np.array(y_predict)# 列表转数组y_pre=y_pre.reshape(300,1)y_pre=y_pre[:,0]#y_pre = min_max_scaler.inverse_transform(y_pre)y_pre=inverse_transform_col(min_max_scaler,y_pre,n_col=0)# 对预测值反归一化y_test=inverse_transform_col(min_max_scaler,y_test,n_col=0)# 对实际值反归一化（如果不想用，这两行删除即可）#画图 #展示在测试集上的表现draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_pre)],axis=1);draw.iloc[:,0].plot(figsize=(12,6))draw.iloc[:,1].plot(figsize=(12,6))plt.legend(('real', 'predict'),loc='upper right',fontsize='15')plt.title("Test Data",fontsize='30') #添加标题plt.show()#输出精度指标print('测试集上的MAE/MSE')print(mean_absolute_error(y_pre, y_test))print(mean_squared_error(y_pre, y_test) )mape = np.mean(np.abs((y_pre-y_test)/(y_test)))*100print('=============mape==============')print(mape,'%')# 画出真实数据和预测数据的对比曲线图print("R2 = ",metrics.r2_score(y_test, y_pre)) # R2

下边是神经网络内部结构，文件名命名为 BPNN.py

# encoding:utf-8'''BP神经网络Python实现'''import randomimport numpy as npdef sigmoid(x):'''激活函数'''return 1.0 / (1.0 + np.exp(-x))def sigmoid_prime(x):return sigmoid(x) * (1 - sigmoid(x))class BPNNRegression:'''神经网络回归与分类的差别在于：1. 输出层不需要再经过激活函数2. 输出层的 w 和 b 更新量计算相应更改'''def __init__(self, sizes):# 神经网络结构self.num_layers = len(sizes)self.sizes = sizes# 初始化偏差，除输入层外， 其它每层每个节点都生成一个 biase 值（0-1）self.biases = [np.random.randn(n, 1) for n in sizes[1:]]# 随机生成每条神经元连接的 weight 值（0-1）self.weights = [np.random.randn(r, c)for c, r in zip(sizes[:-1], sizes[1:])]def feed_forward(self, a):'''前向传输计算输出神经元的值'''for i, b, w in zip(range(len(self.biases)), self.biases, self.weights):# 输出神经元不需要经过激励函数if i == len(self.biases) - 1:a = np.dot(w, a) + bbreaka = sigmoid(np.dot(w, a) + b)return adef MSGD(self, training_data, epochs, mini_batch_size, eta, error = 0.01):'''小批量随机梯度下降法'''n = len(training_data)for j in range(epochs):# 随机打乱训练集顺序random.shuffle(training_data)# 根据小样本大小划分子训练集集合mini_batchs = [training_data[k:k+mini_batch_size]for k in range(0, n, mini_batch_size)]# 利用每一个小样本训练集更新 w 和 bfor mini_batch in mini_batchs:self.updata_WB_by_mini_batch(mini_batch, eta)#迭代一次后结果err_epoch = self.evaluate(training_data)print("Epoch {0} Error {1}".format(j, err_epoch))if err_epoch < error:break# if test_data:# print("Epoch {0}: {1} / {2}".format(j, self.evaluate(test_data), n_test))# else:# print("Epoch {0}".format(j))return err_epochdef updata_WB_by_mini_batch(self, mini_batch, eta):'''利用小样本训练集更新 w 和 bmini_batch: 小样本训练集eta: 学习率'''# 创建存储迭代小样本得到的 b 和 w 偏导数空矩阵，大小与 biases 和 weights 一致，初始值为 0 batch_par_b = [np.zeros(b.shape) for b in self.biases]batch_par_w = [np.zeros(w.shape) for w in self.weights]for x, y in mini_batch:# 根据小样本中每个样本的输入 x, 输出 y, 计算 w 和 b 的偏导delta_b, delta_w = self.back_propagation(x, y)# 累加偏导 delta_b, delta_w batch_par_b = [bb + dbb for bb, dbb in zip(batch_par_b, delta_b)]batch_par_w = [bw + dbw for bw, dbw in zip(batch_par_w, delta_w)]# 根据累加的偏导值 delta_b, delta_w 更新 b, w# 由于用了小样本，因此 eta 需除以小样本长度self.weights = [w - (eta / len(mini_batch)) * dwfor w, dw in zip(self.weights, batch_par_w)]self.biases = [b - (eta / len(mini_batch)) * dbfor b, db in zip(self.biases, batch_par_b)]def back_propagation(self, x, y):'''利用误差后向传播算法对每个样本求解其 w 和 b 的更新量x: 输入神经元，行向量y: 输出神经元，行向量'''delta_b = [np.zeros(b.shape) for b in self.biases]delta_w = [np.zeros(w.shape) for w in self.weights]# 前向传播，求得输出神经元的值a = x # 神经元输出值# 存储每个神经元输出activations = [x] # 存储经过 sigmoid 函数计算的神经元的输入值，输入神经元除外zs = []for b, w in zip(self.biases, self.weights):z = np.dot(w, a) + bzs.append(z)a = sigmoid(z) # 输出神经元activations.append(a)#-------------activations[-1] = zs[-1] # 更改神经元输出结果#-------------# 求解输出层δ# 与分类问题不同，Delta计算不需要乘以神经元输入的倒数#delta = self.cost_function(activations[-1], y) * sigmoid_prime(zs[-1])delta = self.cost_function(activations[-1], y) #更改后#-------------delta_b[-1] = deltadelta_w[-1] = np.dot(delta, activations[-2].T)for lev in range(2, self.num_layers):# 从倒数第1层开始更新，因此需要采用-lev# 利用 lev + 1 层的 δ 计算 l 层的 δ z = zs[-lev]zp = sigmoid_prime(z)delta = np.dot(self.weights[-lev+1].T, delta) * zpdelta_b[-lev] = deltadelta_w[-lev] = np.dot(delta, activations[-lev-1].T)return (delta_b, delta_w)def evaluate(self, train_data):test_result = [[self.feed_forward(x), y]for x, y in train_data]return np.sum([0.5 * (x - y) ** 2 for (x, y) in test_result])def predict(self, test_input):test_result = [self.feed_forward(x)for x in test_input]return test_resultdef cost_function(self, output_a, y):'''损失函数'''return (output_a - y)pass

下边是我训练10000次得出的结果图
Mape=3.8747546777023055 %
R2 = 0.9892761559285088

未进行反归一化的效果图：

反归一化的效果图：

代码打包下载：https://download.csdn.net/download/qq_45077760/87708534
可以加群：1029655667，进行沟通交流