Python实现BP神经网络ANN单隐层回归模型项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
20世纪80年代中期，David Runelhart。Geoffrey Hinton和Ronald W-llians、DavidParker等人分别独立发现了误差反向传播算法(Error Back Propagation Training)，简称BP，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导。人们把采用这种算法进行误差校正的多层前馈网络称为BP网。
本项目通过BP神经网络ANN单隐层来搭建回归模型来进行产品的预测。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有10个变量，数据中无缺失值，共1000条数据。
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 y变量分布直方图
用Matplotlib工具的hist()方法绘制直方图：
4.2 相关性分析
从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下：

5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：
6.构建BP神经网络回归模型
主要使Dense全连接层网络，用于目标回归。
6.1 模型构建

6.2 神经网络的结构信息

通过上图可以看到，神经网络总共有3层，输入层、一个隐藏层、输出层，其中训练的参数为901个。
6.3 神经网络的迭代信息
通过上图可以看到，神经网络每次迭代训练集和验证集的损失值。
6.4 训练集和验证集损失迭代图
通过上图可以看到，随着迭代次数的增加，训练集和验证集损失逐渐减少。
7. 模型评估
7.1评估指标及结果
评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。

从上表可以看出，R方分值为0.9928，说明模型效果较好。
关键代码如下：
7.2 真实值与预测值对比图
从上图可以看出真实值和预测值波动基本一致，模型效果较好。
8.结论与展望
综上所述，本文采用了BP神经网络ANN单隐层算法搭建了回归模型并对模型进行了评估，最终证明了我们提出的模型效果良好。