### 使用BP神经网络对七个自变量进行分类预测的Python代码示例 以下是基于BP神经网络的一个完整Python代码示例，用于处理具有七个自变量的数据集并完成分类预测任务。此代码实现了数据预处理、模型构建、训练以及测试的过程。 #### 数据准备与归一化 为了提高BP神经网络的性能，在输入到网络之前通常需要对数据进行标准化或归一化处理[^3]。 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler, LabelEncoder from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers import Dense # 假设我们有如下形式的数据集 (X为特征矩阵，y为目标标签) np.random.seed(0) # 设置随机种子以便结果可重复 X = np.random.rand(1000, 7) # 随机生成1000条样本，每条样本含有7个自变量 labels = ['Class_1', 'Class_2', 'Class_3'] # 定义三类目标类别 y = np.random.choice(labels, size=1000) # 对标签进行编码转换成整数值 label_encoder = LabelEncoder() y_encoded = label_encoder.fit_transform(y) # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42) # 归一化处理 scaler = MinMaxScaler(feature_range=(0, 1)) X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 构建BP神经网络模型 通过Keras库中的`Sequential`模块可以方便地搭建一个多层感知器(Multilayer Perceptron, MLP)，即BP神经网络结构[^2]。 ```python # 创建一个顺序模型 model = Sequential() # 添加隐藏层（假设两层） model.add(Dense(units=16, activation='relu', input_dim=X.shape[1])) # 输入维度为7 model.add(Dense(units=8, activation='relu')) # 输出层采用softmax激活函数以适应多分类问题 num_classes = len(np.unique(y)) # 获取类别数量 model.add(Dense(units=num_classes, activation='softmax')) ``` #### 编译与训练模型 配置优化器、损失函数以及其他参数后即可开始训练过程[^1]。 ```python # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(X_train_scaled, y_train, epochs=50, batch_size=32, validation_data=(X_test_scaled, y_test), verbose=1) ``` #### 测试与评估模型表现 最后一步是对已训练好的模型进行验证，并查看其在未见过的数据上的泛化能力如何。 ```python # 在测试集上评价模型 loss, accuracy = model.evaluate(X_test_scaled, y_test, verbose=0) print(f'Test Accuracy: {accuracy * 100:.2f}%') # 进行预测 predictions = model.predict(X_test_scaled) predicted_classes = predictions.argmax(axis=-1) # 反向解码预测得到的实际类别名称 decoded_predictions = label_encoder.inverse_transform(predicted_classes[:5]) print('Predictions:', decoded_predictions) ``` 以上就是使用BP神经网络针对七维输入空间执行分类预测的一套完整流程及其对应代码片段展示。