python实现bp神经网络对csv文件进行数据预测

参考资源：

sklearn库 bp神经网络[从原理到代码一篇搞定]（2）_sklearn 神经网络-CSDN博客

十分钟上手sklearn：安装，获取数据，数据预处理 - 知乎 (zhihu.com)

一个实例讲解如何使用BP神经网络(附代码) - 知乎 (zhihu.com)

神经网络——Python实现BP神经网络算法（理论+例子+程序）_bp神经网络python-CSDN博客

sklearn包MLPClassifier的使用详解+例子-CSDN博客

数据集按照csv格式标签划分为训练集和验证集（完整代码）_train.csv-CSDN博客

1.数据集长相（也可以管我要）：

训练数据集（里面百分之70是训练集，百分之30为测试集，最后一列（AA列）为标签，AA列有数）

预测数据集（里面没有标签（AA列没数））

2.图像：

3.代码

import numpy as np
import pandas as pd
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import math

#获取数据转为numpy数组
filename=pd.read_csv("C:/Users/86170/Desktop/exel/testdata.csv")
filename1=pd.read_csv("C:/Users/86170/Desktop/exel/test.csv")
sheet1=np.array(filename)
sheet2=np.array(filename1)

#分成特征与标签
X=np.array(sheet1[1:10001,0:26])
Y=np.array(sheet1[1:10001,26:27])
new_X=np.array(sheet2[1:10001,0:26])
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=42)
# 创建BP神经网络分类器
mlp = MLPClassifier(hidden_layer_sizes=(100,100,50,), max_iter=1000, random_state=42)

# 训练模型
mlp.fit(X_train, y_train)
# 神经网络预测
y_pred = mlp.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("精确度为:", accuracy)
# 神经网络预测
error1 = y_pred - y_test
error=abs(error1)
#print(abs(error))

#预测值代码
#predict_y = np.zeros(10)
predict_y=mlp.predict(new_X)
predict_y1=np.transpose(predict_y)
#求误差
#平均绝对误差
matrix_sum=0
for row in error:
    matrix_sum+=sum(row)/10000
    #matrix_sum=abs(matrix_sum)
    print( "平均绝对误差为：",matrix_sum)
    break
#均方误差
mse1=error*error.T/10000
mse2=0
for row in mse1:
    mse2+=sum(row)
    #matrix_sum=abs(matrix_sum)
    print("均方误差为：",mse2)
    break
#均方根误差
mse3=math.sqrt(matrix_sum)
print("均方根误差为：",mse3)
#打印预测结果
print("前100个预测结果为：")
for i in range(1,100):
    print(predict_y1[i])
print(y_test.shape)
print(y_pred.shape)
# 真实值与预测值误差比较的绘图代码
#取3000个点太多
y_test1=np.array(y_test[1:101,:])
y_pred1=np.array(y_pred[1:101])
X = list(np.arange(-1, 1, 0.02))
plt.plot(X, y_test1)
plt.plot(X, y_pred1)
plt.xlabel("x")  # x轴标签
plt.ylabel("ylabel")  # y轴标签
plt.title("BP netural real and prediction")  # 图标题
plt.show()

4.得出的结果如下：

精确度为: 0.994
平均绝对误差为： 0.3054
均方误差为： 0.8411999999999878
均方根误差为： 0.552630075185924

前100个预测结果为：
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
5.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
5.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0