### 使用BP神经网络实现5分类任务的Python代码 以下是基于BP神经网络实现五分类任务的一个完整示例。此代码使用`TensorFlow`和`Keras`库构建模型，并通过训练数据完成分类任务。 #### 数据准备 为了简化说明，这里假设我们有一个随机生成的数据集作为输入特征和标签。实际应用中可以替换为真实数据集。 ```python import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, OneHotEncoder # 随机生成样本数据 (1000个样本, 每个样本有10个特征) np.random.seed(42) X = np.random.rand(1000, 10) # 创建五个类别的目标变量 y = np.random.randint(0, 5, size=(1000,)) # 将类别标签转换为one-hot编码 encoder = OneHotEncoder(sparse=False) y_onehot = encoder.fit_transform(y.reshape(-1, 1)) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y_onehot, test_size=0.2, random_state=42) # 特征标准化处理 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 构建BP神经网络模型 下面定义了一个具有单隐藏层的BP神经网络模型： ```python model = Sequential() # 添加输入层到隐藏层 model.add(Dense(units=32, activation='relu', input_shape=(X_train.shape[1],))) # 添加输出层 model.add(Dense(units=5, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` #### 训练模型 接下来对模型进行训练并评估其性能： ```python history = model.fit(X_train_scaled, y_train, epochs=50, batch_size=32, validation_split=0.2) # 测试集上的表现 test_loss, test_accuracy = model.evaluate(X_test_scaled, y_test) print(f'Test Accuracy: {test_accuracy:.4f}') ``` #### 进行新数据预测 对于新的未知数据点，可以通过如下方式对其进行预处理并得到预测结果： ```python new_data = np.array([[0.1]*10, [0.5]*10]) new_data_scaled = scaler.transform(new_data) predictions = model.predict(new_data_scaled) predicted_classes = np.argmax(predictions, axis=1) print(predicted_classes) ``` 以上展示了完整的流程，从数据准备、模型搭建至最终部署预测阶段[^1]。 ### 注意事项 - 输入维度需匹配网络的第一层设置。 - 输出单元数应等于类别总数，在这里是5。 - Softmax激活函数用于多分类问题的概率分布计算[^2]。