以下是一个基于Python实现的BP神经网络预测天气的案例。我们将使用`pandas`读取数据，使用`scikit-learn`中的`MLPRegressor`（多层感知机回归模型）来构建BP神经网络。 ### 代码实现 ```python # 导入所需库 import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler from sklearn.neural_network import MLPRegressor from sklearn.metrics import mean_squared_error # 1. 加载数据 data = pd.read_excel('tianqi.xls') # 假设表格中有列：温度、湿度、气压、降雨概率、刮大风概率 print("数据预览：") print(data.head()) # 2. 数据预处理 # 提取特征和目标值 X = data[['温度', '湿度', '气压']] # 输入特征 y = data[['降雨概率', '刮大风概率']] # 输出目标 # 数据归一化 scaler_X = MinMaxScaler() scaler_y = MinMaxScaler() X_scaled = scaler_X.fit_transform(X) y_scaled = scaler_y.fit_transform(y) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_scaled, test_size=0.2, random_state=42) # 3. 构建BP神经网络模型 model = MLPRegressor(hidden_layer_sizes=(10, 10), activation='relu', solver='adam', max_iter=500, random_state=42) model.fit(X_train, y_train) # 4. 模型评估 y_pred_scaled = model.predict(X_test) y_pred = scaler_y.inverse_transform(y_pred_scaled) # 反归一化 y_test_original = scaler_y.inverse_transform(y_test) # 计算均方误差 mse = mean_squared_error(y_test_original, y_pred) print(f"均方误差: {mse}") # 5. 测试模型 sample_input = [[25, 80, 1013]] # 示例输入：温度25℃，湿度80%，气压1013hPa sample_input_scaled = scaler_X.transform(sample_input) prediction_scaled = model.predict(sample_input_scaled) prediction = scaler_y.inverse_transform(prediction_scaled) print(f"预测结果（降雨概率, 刮大风概率）: {prediction[0]}") ``` --- ### 代码解释 1. **加载数据**： - 使用`pandas`读取`tianqi.xls`文件，假设文件中有以下列：`温度`、`湿度`、`气压`、`降雨概率`、`刮大风概率`。 - 打印数据前几行以确认加载成功。 2. **数据预处理**： - 提取输入特征`X`（温度、湿度、气压）和目标值`y`（降雨概率、刮大风概率）。 - 使用`MinMaxScaler`对输入和输出进行归一化处理，确保所有数据在 `[0, 1]` 范围内，这是神经网络训练的常见做法。 - 使用`train_test_split`将数据划分为训练集和测试集，比例为 8:2。 3. **构建BP神经网络模型**： - 使用`MLPRegressor`构建一个两层隐藏层的神经网络，每层有 10 个神经元。 - 激活函数选择`ReLU`，优化器选择`Adam`，最大迭代次数为 500。 4. **模型评估**： - 使用测试集评估模型性能，计算预测值与真实值之间的均方误差（MSE）。 5. **测试模型**： - 输入一组示例数据（如温度 25℃，湿度 80%，气压 1013hPa），通过模型预测其降雨概率和刮大风概率，并输出结果。 --- ### 注意事项 1. 确保`tianqi.xls`文件与代码在同一目录下。 2. 如果数据量较大或模型复杂度较高，可能需要调整`hidden_layer_sizes`、`max_iter`等参数以提高性能。 3. 数据质量直接影响模型效果，建议对原始数据进行清洗和探索性分析。 --- ###