Keras分類問題

#-*- coding: utf-8 -*-
#使用神經網絡算法預測銷量高低

import pandas as pd

#參數初始化
inputfile = 'data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序號') #導入數據

#數據是類別標簽，要將它轉換為數據
#用1來表示“好”、“是”、“高”這三個屬性，用0來表示“壞”、“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)
print(x)
print(y)


from keras.models import Sequential
from keras.layers.core import Dense, Activation,Dropout
#通過.add()方式一層層添加（一個add為一層）
model = Sequential()
model.add(Dense(64, input_shape=(3,)))#添加64節點的全連接
model.add(Dropout(0.5))##dropoutdropout是指在深度學習網絡的訓練過程中,對於神經網絡單元,按照一定的概率將其暫時從網絡中丟棄
model.add(Dense(64, activation='relu'))#以Relu函數為激活函數
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))#以sigmoid函數為激活函數

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
#編譯模型。由於我們做的是二元分類，所以我們指定損失函數為binary_crossentropy，以及模式為binary
#另外常見的損失函數還有mean_squared_error、categorical_crossentropy等，請閱讀幫助文件。
#求解方法我們指定用adam，還有sgd、rmsprop等可選

model.fit(x, y, nb_epoch = 1000, batch_size = 10) #訓練模型，學習一千次
yp = model.predict_classes(x).reshape(len(y)) #分類預測

from cm_plot import *     # 導入自行編寫的混淆矩陣可視化函數  
cm_plot(y, yp).show()