概述
Advertising.csv数据集有200行，共4列：
- 第一列：电视广告投放量
- 第二列：广播广告投放量
- 第三列：报纸广告投放量
- 第四列：销售额
本文以此数据集来实现多层感机，感性的理解多层感知机的实现
代码实现
numpy读取数据
跳过第一行表头；只读取索引是1、2、3、4的列（索引是0的列，是序号）
import numpy
import matplotlib.pyplot as plt
arr=numpy.loadtxt(r'C:\Users\mym\Desktop\数据集\Advertising.csv', delimiter=',', skiprows=1,usecols=(1,2,3,4))
print(arr[:50])
执行结果：
[[230.1 37.8 69.2 22.1]
[ 44.5 39.3 45.1 10.4]
[ 17.2 45.9 69.3 9.3]
[151.5 41.3 58.5 18.5]
[180.8 10.8 58.4 12.9]
[ 8.7 48.9 75. 7.2]
[ 57.5 32.8 23.5 11.8]
[120.2 19.6 11.6 13.2]
[ 8.6 2.1 1. 4.8]
[199.8 2.6 21.2 10.6]]
电视广告投放量与销售额的关系
plt.scatter(arr[:,0],arr[:,3])
plt.show()
执行如下图，可知是线性关系
广播广告投放量与销售额的关系
plt.scatter(arr[:,1],arr[:,3])
执行如下图，可知是线性关系（不是很明显）
报纸广告投放量与销售额的关系
plt.scatter(arr[:,2],arr[:,3])
执行如下图，可知报纸广告投放量与销售额的关系 不大
建立模型
import tensorflow as tf
'''
添加输入层：要指定输出数量（感知机的数量）、输入的形状、激活函数
添加输出层：指定输出数量
'''
model=tf.keras.Sequential([tf.keras.layers.Dense(5,input_shape=(3,),activation='relu'),
tf.keras.layers.Dense(1)])
# 显示摘要信息
model.summary()
执行结果如下：
Model: "sequential_6"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 5) 20
_________________________________________________________________
dense_1 (Dense) (None, 1) 6
=================================================================
Total params: 26
Trainable params: 26
Non-trainable params: 0
_________________________________________________________________
注意：
- 第一层的参数数量是20，因为
(3个特征值+1个b)*5个感知器 - 第二层的参数数量是6，因为
5个感知器的输出值+1个b
开始训练
# 指定梯度下降，损失函数是均方误差
model.compile(optimizer='adam',loss='mse')
# 取出前140行数据进行训练，训练500次
model.fit(x[0:140],y[0:140],epochs=500)
执行结果：
Epoch 1/500
200/200 [==============================] - 0s 595us/sample - loss: 2.9748
Epoch 2/500
200/200 [==============================] - 0s 70us/sample - loss: 2.9321
Epoch 3/500
200/200 [==============================] - 0s 80us/sample - loss: 2.9211
.....................................................
Epoch 498/500
200/200 [==============================] - 0s 65us/sample - loss: 0.8194
Epoch 499/500
200/200 [==============================] - 0s 65us/sample - loss: 0.8184
Epoch 500/500
200/200 [==============================] - 0s 70us/sample - loss: 0.8127
测试预测能力
取出 原数据 特征值 的140-200行记录，进行预测目标值
prd=model.predict(x[140:]).reshape(60,)
print(prd)
将 预测 目标值 与 原数据 目标值 做比较，看准确率
print(y[140:]-prd)