神经网络回归任务（4-3）

神经网络回归任务，通常指的是使用神经网络模型进行回归分析。回归分析是一种统计学方法，用于研究一个或多个自变量（预测变量）与一个因变量（响应变量）之间的关系。神经网络回归模型结合了神经网络和回归分析的优点，能够处理复杂的非线性关系，并提供灵活的模型结构。

神经网络回归模型（如Quantile Regression Neural Network, QRNN）由Taylor于2000年提出，是一种非参数非线性方法。它不仅可以揭示响应变量的整个条件分布，还可以模拟金融系统等领域的非线性特征。神经网络回归模型的研究已经扩展到了多个领域，包括金融、电力、气象等，并取得了较好的研究成果。

在神经网络回归任务中，通常包括以下几个步骤：

1. 数据准备：收集具有自变量和因变量标签的数据集，并进行必要的数据预处理和特征工程。
2. 模型构建：选择适当的神经网络结构，并定义模型的参数和损失函数。
3. 模型训练：使用训练数据对神经网络进行训练，通过反向传播算法和梯度下降等方法优化模型的参数。
4. 模型评估：使用测试数据对训练好的神经网络进行评估，计算预测误差和其他性能指标。
5. 模型应用：将训练好的神经网络应用于实际问题中，进行预测和分析。

需要注意的是，神经网络回归模型在处理非线性关系时具有很强的能力，但也可能存在过拟合和解释性不足的问题。因此，在实际应用中需要根据具体问题和数据集的特点选择合适的模型和参数，并进行充分的验证和测试。

1. 数据

date	price	bedrooms	bathrooms	sqft_living	sqft_lot	floors	waterfront	view	condition	sqft_above	sqft_basement	yr_built	yr_renovated	street	city	statezip	country
2014/5/2 0:00	313000	3	1.5	1340	7912	1.5	0	0	3	1340	0	1955	2005	18810 Densmore Ave N	Shoreline	WA 98133	USA
2014/5/2 0:00	2384000	5	2.5	3650	9050	2	0	4	5	3370	280	1921	0	709 W Blaine St	Seattle	WA 98119	USA
2014/5/2 0:00	342000	3	2	1930	11947	1	0	0	4	1930	0	1966	0	26206-26214 143rd Ave SE	Kent	WA 98042	USA
2014/5/2 0:00	420000	3	2.25	2000	8030	1	0	0	4	1000	1000	1963	0	857 170th Pl NE	Bellevue	WA 98008	USA
2014/5/2 0:00	550000	4	2.5	1940	10500	1	0	0	4	1140	800	1976	1992	9105 170th Ave NE	Redmond	WA 98052	USA
2014/5/2 0:00	490000	2	1	880	6380	1	0	0	3	880	0	1938	1994	522 NE 88th St	Seattle	WA 98115	USA
2014/5/2 0:00	335000	2	2	1350	2560	1	0	0	3	1350	0	1976	0	2616 174th Ave NE	Redmond	WA 98052	USA
2014/5/2 0:00	482000	4	2.5	2710	35868	2	0	0	3	2710	0	1989	0	23762 SE 253rd Pl	Maple Valley	WA 98038	USA
2014/5/2 0:00	452500	3	2.5	2430	88426	1	0	0	4	1570	860	1985	0	46611-46625 SE 129th St	North Bend	WA 98045	USA
2014/5/2 0:00	640000	4	2	1520	6200	1.5	0	0	3	1520	0	1945	2010	6811 55th Ave NE	Seattle	WA 98115	USA
2014/5/2 0:00	463000	3	1.75	1710	7320	1	0	0	3	1710	0	1948	1994	Burke-Gilman Trail	Lake Forest Park	WA 98155	USA
2014/5/2 0:00	1400000	4	2.5	2920	4000	1.5	0	0	5	1910	1010	1909	1988	3838-4098 44th Ave NE	Seattle	WA 98105	USA
2014/5/2 0:00	588500	3	1.75	2330	14892	1	0	0	3	1970	360	1980	0	1833 220th Pl NE	Sammamish	WA 98074	USA
2014/5/2 0:00	365000	3	1	1090	6435	1	0	0	4	1090	0	1955	2009	2504 SW Portland Ct	Seattle	WA 98106	USA
2014/5/2 0:00	1200000	5	2.75	2910	9480	1.5	0	0	3	2910	0	1939	1969	3534 46th Ave NE	Seattle	WA 98105	USA
2014/5/2 0:00	242500	3	1.5	1200	9720	1	0	0	4	1200	0	1965	0	14034 SE 201st St	Kent	WA 98042	USA
2014/5/2 0:00	419000	3	1.5	1570	6700	1	0	0	4	1570	0	1956	0	15424 SE 9th St	Bellevue	WA 98007	USA
2014/5/2 0:00	367500	4	3	3110	7231	2	0	0	3	3110	0	1997	0	11224 SE 306th Pl	Auburn	WA 98092	USA
2014/5/2 0:00	257950	3	1.75	1370	5858	1	0	0	3	1370	0	1987	2000	1605 S 245th Pl	Des Moines	WA 98198	USA
2014/5/2 0:00	275000	3	1.5	1180	10277	1	0	0	3	1180	0	1983	2009	12425 415th Ave SE	North Bend	WA 98045	USA
2014/5/2 0:00	750000	3	1.75	2240	10578	2	0	0	5	1550	690	1923	0	3225 NE 92nd St	Seattle	WA 98115	USA
2014/5/2 0:00	435000	4	1	1450	8800	1	0	0	4	1450	0	1954	1979	3922 154th Ave SE	Bellevue	WA 98006	USA
2014/5/2 0:00	626000	3	2.25	1750	1572	2.5	0	0	3	1470	280	2005	0	3140 Franklin Ave E	Seattle	WA 98102	USA
2014/5/2 0:00	612500	4	2.5	2730	12261	2	0	0	3	2730	0	1991	0	10212 NE 156th Pl	Bothell	WA 98011	USA
2014/5/2 0:00	495000	4	1.75	1600	6380	1	0	0	3	1130	470	1959	1989	2021 NE 100th St	Seattle	WA 98125	USA
2014/5/2 0:00	285000	3	2.5	2090	10834	1	0	0	4	1360	730	1987	0	27736 23rd Avenue South	Federal Way	WA 98003	USA
2014/5/2 0:00	615000	3	1.75	2360	7291	1	0	0	4	1360	1000	1948	0	8436-8438 41st Ave SW	Seattle	WA 98136	USA
2014/5/2 0:00	698000	4	2.25	2200	11250	1.5	0	0	5	1300	900	1920	0	1036 4th St	Kirkland	WA 98033	USA
2014/5/2 0:00	675000	5	2.5	2820	67518	2	0	0	3	2820	0	1979	2014	23525 SE 32nd Way	Issaquah	WA 98029	USA
2014/5/2 0:00	790000	3	2.5	2600	4750	1	0	0	4	1700	900	1951	1999	3314 NW 75th St	Seattle	WA 98117	USA
2014/5/2 0:00	382500	4	1.75	1560	8700	1	0	0	4	1560	0	1967	0	14104 119th Ave NE	Kirkland	WA 98034	USA
2014/5/2 0:00	499950	4	2.5	2860	3345	2	0	0	3	2190	670	2004	2003	20120 137th Ave NE	Woodinville	WA 98072	USA
2014/5/2 0:00	650000	4	2	1820	5000	1.5	0	1	3	1640	180	1945	2010	7201-7399 55th Ave NE	Seattle	WA 98115	USA
2014/5/2 0:00	625000	4	2.5	2820	8408	2	0	0	3	2820	0	2014	0	17052 4th Ave NE	Shoreline	WA 98155	USA
2014/5/2 0:00	400000	4	2.5	3630	42884	1.5	0	0	3	2300	1330	1979	2014	5172-5198 Heather Ave SE	Auburn	WA 98092	USA
2014/5/2 0:00	604000	3	2.5	3240	33151	2	0	2	3	3240	0	1995	0	30822 36th Ct SW	Federal Way	WA 98023	USA
2014/5/2 0:00	440000	2	1	800	4850	1	0	0	4	800	0	1944	0	4801-4899 6th Ave NW	Seattle	WA 98107	USA
2014/5/2 0:00	287200	3	3	1850	19966	1	0	0	4	1090	760	1992	0	23017 SE 281st Ct	Maple Valley	WA 98038	USA
2014/5/2 0:00	403000	3	2	1960	13100	1	0	2	5	1650	310	1957	0	17825 4th Ave SW	Normandy Park	WA 98166	USA
2014/5/2 0:00	750000	3	2.5	2390	6550	1	0	2	4	1440	950	1955	2009	3628 59th Ave SW	Seattle	WA 98116	USA
2014/5/2 0:00	335000	3	2.25	1580	16215	1	0	0	4	1580	0	1978	2000	4460 332nd Ave SE	Fall City	WA 98024	USA
2014/5/2 0:00	260000	4	2	1480	8625	1	0	0	4	1480	0	1974	0	2019 Aberdeen Pl SE	Renton	WA 98055	USA
2014/5/2 0:00	308500	2	1	850	6174	1	0	0	4	850	0	1950	1983	121 NE 147th St	Shoreline	WA 98155	USA
2014/5/2 0:00	439950	3	2.5	1770	2875	2	0	0	3	1770	0	1990	2009	4458 51st Ave SW	Seattle	WA 98116	USA
2014/5/2 0:00	235000	2	1	1210	9400	1	0	0	2	1210	0	1949	0	7542 21st Ave SW	Seattle	WA 98106	USA
2014/5/2 0:00	315000	3	1	1160	9180	1	0	0	3	1160	0	1968	1997	15804 198th Pl NE	Woodinville	WA 98077	USA
2014/5/2 0:00	437500	3	2.25	1970	35100	2	0	0	4	1970	0	1977	0	26069 SE 154th St	Issaquah	WA 98027	USA
2014/5/2 0:00	407500	3	2.5	1930	10460	2	0	0	3	1930	0	1996	0	4314 NE 6th Pl	Renton	WA 98059	USA
2014/5/2 0:00	445700	3	2.5	1270	1180	3	0	0	3	1270	0	2001	0	2640 NW 56th St	Seattle	WA 98107	USA
2014/5/2 0:00	838000	4	2.5	3310	42998	2	0	0	3	3310	0	2001	0	15712 NE 136th Pl	Redmond	WA 98052	USA
2014/5/2 0:00	630000	4	2.75	2710	37277	2	0	0	3	2710	0	2000	0	26429 SE 154th Pl	Issaquah	WA 98027	USA
2014/5/2 0:00	550000	3	1.75	2910	35200	1.5	0	0	3	2910	0	1979	2014	3923 229th Pl SE	Sammamish	WA 98075	USA
2014/5/2 0:00	805000	3	2	2710	4500	1.5	0	0	4	1880	830	1929	0	6222 30th Ave NE	Seattle	WA 98115	USA
2014/5/2 0:00	284000	3	1.75	1800	23103	1	0	0	3	1800	0	1968	1997	32418 NE 50th St	Carnation	WA 98014	USA
2014/5/2 0:00	470000	5	2.5	2210	9655	1	0	0	3	1460	750	1976	0	19334 89th Ave NE	Bothell	WA 98011	USA
2014/5/2 0:00	430000	4	1.5	1920	10000	1	0	0	4	1070	850	1954	1979	4071 156th Ave SE	Bellevue	WA 98006	USA
2014/5/2 0:00	491500	4	1.75	2190	125452	1	0	2	3	2190	0	1968	1997	36850 204th Ave SE	Auburn	WA 98092	USA
2014/5/2 0:00	785000	5	3.25	3660	11995	2	0	2	3	3660	0	2006	0	7425 Snowberry Ave SE	Snoqualmie	WA 98065	USA
2014/5/2 0:00	385000	3	3.25	1320	1327	2	0	0	3	1040	280	2008	0	3400 21st Ave W	Seattle	WA 98199	USA
2014/5/2 0:00	295000	2	2.5	1630	1368	2	0	0	3	1280	350	2009	0	5944-6082 Delridge Way SW	Seattle	WA 98106	USA
2014/5/2 0:00	555000	4	2.5	3310	6500	2	0	0	3	3310	0	2012	1912	35229 SE Terrace St	Snoqualmie	WA 98065	USA
2014/5/2 0:00	459990	3	2.5	2680	5539	2	0	0	3	2680	0	2013	1923	13800 453rd Ave SE	North Bend	WA 98045	USA
2014/5/2 0:00	625000	4	3.25	2730	54014	1	0	0	3	1560	1170	2007	0	9927 174th Ave SE	Renton	WA 98059	USA
2014/5/2 0:00	300000	3	2.5	2540	5050	2	0	0	3	2540	0	2006	0	29734 215th Terrace SE	Kent	WA 98042	USA
2014/5/3 0:00	625000	4	2.75	2920	6605	2	0	0	3	2920	0	2012	1912	5608 NE 5th Cir	Renton	WA 98059	USA
2014/5/3 0:00	553000	2	1	900	5000	1	0	0	3	900	0	1944	0	8053 29th Ave NW	Seattle	WA 98117	USA
2014/5/3 0:00	379880	3	2.5	1650	14054	1	0	0	4	1130	520	1986	0	13256 242nd Pl SE	Issaquah	WA 98027	USA
2014/5/3 0:00	310000	3	1	1010	9945	1	0	0	4	1010	0	1973	0	7528 N Fork Rd SE	Snoqualmie	WA 98065	USA
2014/5/4 0:00	775000	2	2.5	2680	7392	1	0	0	3	2680	0	2004	2003	13134 234th Ct NE	Redmond	WA 98053	USA
2014/5/4 0:00	365000	3	2.5	2200	7350	1	0	0	5	1570	630	1988	0	13420 SE 182nd St	Renton	WA 98058	USA
2014/5/4 0:00	331950	4	2.5	2530	9933	2	0	2	3	2010	520	1990	2009	925 48th Ct	Auburn	WA 98092	USA
2014/5/4 0:00	783500	3	2.5	2850	7130	2	0	0	3	1990	860	1980	0	151 Euclid Ave	Seattle	WA 98122	USA
2014/5/4 0:00	628000	4	2	2280	6010	1	0	0	3	1140	1140	1900	2005	205-206 Euclid Ave	Seattle	WA 98122	USA
2014/5/5 0:00	560000	3	2.5	1900	8744	2	0	0	3	1900	0	1987	2000	22314 NE 11th Pl	Sammamish	WA 98074	USA
2014/5/5 0:00	900000	3	1	1330	77972	1	0	0	3	1330	0	1928	1954	13615 NE 100th St	Kirkland	WA 98033	USA
2014/5/5 0:00	531000	2	3	1270	1175	2	0	0	3	1110	160	2000	0	1411 N 48th St	Seattle	WA 98103	USA
2014/5/5 0:00	831000	4	3	2170	4000	2	0	0	4	1610	560	1982	2011	120 31st Ave E	Seattle	WA 98112	USA
2014/5/5 0:00	780000	4	2.5	2730	10281	2	0	2	3	2730	0	1996	0	23140 NE 14th Ct	Sammamish	WA 98074	USA
2014/5/5 0:00	755000	4	2.5	2120	10202	1	0	0	4	1620	500	1960	2001	12645 SE 27th St	Bellevue	WA 98005	USA
2014/5/5 0:00	705380	3	2.5	2490	4343	2	0	0	3	2490	0	2003	0	3187 NE Larkspur Ln	Issaquah	WA 98029	USA
2014/5/5 0:00	627000	4	2.25	1990	7712	1	0	0	3	1210	780	1973	2013	18915 SE 42nd Pl	Issaquah	WA 98027	USA
2014/5/5 0:00	865000	4	3	3690	9892	2	0	0	3	3690	0	1998	2006	1765 267th Ct SE	Sammamish	WA 98075	USA

1. 使用留出法划分数据集，训练集:测试集为7:3

# 使用留出法划分数据集，训练集:测试集为7:3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

1. 使用多层感知机回归模型对训练集进行训练

# 初始化多层感知机回归模型，并设置参数
model = MLPRegressor(max_iter=1000, random_state=42, hidden_layer_sizes=(100,))

1. 使用训练好的模型对测试集进行预测并输出预测结果和模型的MSE和MAE。

# 对训练集进行训练
model.fit(X_train, y_train)

# 使用训练好的模型对测试集进行预测
y_pred = model.predict(X_test)

# 计算模型的均方误差（MSE）和平均绝对误差（MAE）
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

# 输出预测结果和模型的MSE和MAE
print("预测结果：", y_pred)
print("模型的均方误差（MSE）：", mse)
print("模型的平均绝对误差（MAE）：", mae)

1. 使用训练好的模型对如下数据的房价进行预测并输出结果。

# 创建新数据
new_data = pd.DataFrame([[3.0, 2.5, 1490, 8102, 2.0, 0, 0, 4, 1490, 0, 1990, 0]], columns=feature_names)

# 使用训练好的模型对提供的数据进行预测
predicted_price = model.predict(new_data)
print("提供的数据的房价预测结果：", predicted_price)

数据：[3.0,2.5,1490,8102,2.0,0,0,4,1490,0,1990,0]

 完整代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 读取数据
df = pd.read_csv('house-price.csv')
df = df.drop(columns=['date', 'street', 'city', 'statezip', 'country'])

# 设置特征名称
feature_names = ['bedrooms', 'bathrooms', 'sqft_living', 'sqft_lot', 'floors', 'waterfront', 'view', 'condition', 'sqft_above', 'sqft_basement', 'yr_built', 'yr_renovated']
X = df[feature_names]
y = df['price']

# 使用留出法划分数据集，训练集:测试集为7:3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 初始化多层感知机回归模型，并设置参数
model = MLPRegressor(max_iter=1000, random_state=42, hidden_layer_sizes=(100,))

# 对训练集进行训练
model.fit(X_train, y_train)

# 使用训练好的模型对测试集进行预测
y_pred = model.predict(X_test)

# 计算模型的均方误差（MSE）和平均绝对误差（MAE）
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

# 输出预测结果和模型的MSE和MAE
print("预测结果：", y_pred)
print("模型的均方误差（MSE）：", mse)
print("模型的平均绝对误差（MAE）：", mae)

# 创建新数据
new_data = pd.DataFrame([[3.0, 2.5, 1490, 8102, 2.0, 0, 0, 4, 1490, 0, 1990, 0]], columns=feature_names)

# 使用训练好的模型对提供的数据进行预测
predicted_price = model.predict(new_data)
print("提供的数据的房价预测结果：", predicted_price)

 

5.神经网络分类任务（4-3）

神经网络分类任务是指利用神经网络模型对输入数据进行分类。在分类任务中，神经网络通过学习输入数据中的特征和模式，将输入数据划分为不同的类别。这些类别可以是预定义的，也可以是神经网络在训练过程中自动学习得到的。

神经网络分类任务通常包括以下几个步骤：

1. 数据准备：收集具有标签（即类别）的数据集，并进行必要的数据预处理和特征提取。
2. 神经网络设计：选择合适的神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）、递归神经网络（RNNs的一种）或图神经网络（GNN）等，并确定网络的层数、节点数、激活函数等参数。
3. 训练神经网络：使用带有标签的训练数据对神经网络进行训练。在训练过程中，神经网络会学习输入数据中的特征和模式，并调整网络参数以最小化预测误差。
4. 评估和优化：使用测试数据对训练好的神经网络进行评估，计算分类准确率、召回率、F1分数等指标。根据评估结果对神经网络进行优化，如调整网络结构、改变学习率等。
5. 部署和应用：将训练好的神经网络部署到实际应用中，对新的输入数据进行分类和预测。

在神经网络分类任务中，不同的神经网络结构适用于不同的数据类型和任务需求。例如，卷积神经网络在图像分类任务中表现出色，而循环神经网络则更适合处理序列数据（如文本、语音等）。图神经网络则特别适用于处理图结构数据，如社交网络、蛋白质结构等。

需要注意的是，神经网络分类任务的性能受到多种因素的影响，包括数据集的质量、网络结构的选择、参数的调整等。因此，在实际应用中需要根据具体情况进行选择和调整，以获得最佳的分类性能。

1. 数据

企业编号	X1	X2	X3	Y
1	-62.8	-89.5	1.7	0
2	3.3	-3.5	1.1	0
3	-120.8	-103.2	2.5	0
4	-18.1	-28.8	1.1	0
5	-3.8	-50.6	0.9	0
6	43	16.4	1.3	1
7	47	16	1.9	1
8	-3.3	4	2.7	1
9	35	20.8	1.9	1
10	46.7	12.6	0.9	1
11	-61.2	-56.2	1.7	0
12	-20.3	-17.4	1	0
13	-194.5	-25.8	0.5	0
14	20.8	-4.3	1	0
15	-106.1	-22.9	1.5	0
16	20.8	12.5	2.4	1
17	33	23.6	1.5	1
18	26.1	10.4	2.1	1
19	68.6	13.8	1.6	1
20	37.3	33.4	3.5	1
21	-49.2	-17.2	0.3
22	-19.2	-36.7	0.8
23	40.6	5.8	1.8
24	34.6	26.4	1.8
25	19.9	26.7	2.3

1. 用1-10行数据作为训练集，用11-20行数据作为测试集。

# 加载数据
df = pd.read_excel('企业贷款审批数据表.xlsx')  # 请替换成你的数据文件路径

# 划分训练集和测试集
train_data = df.iloc[0:17]  # 使用1-10行数据作为训练集
test_data = df.iloc[17:20]  # 使用11-20行数据作为测试集

# 特征和标签
X_train = train_data.drop(columns=['Y'])  # 特征
y_train = train_data['Y']  # 标签
X_test = test_data.drop(columns=['Y'])  # 特征
y_test = test_data['Y']  # 标签

1. 使用多层感知机分类模型对训练集进行训练

# 初始化多层感知机分类模型
model = MLPClassifier(max_iter=1000, random_state=42)

# 训练模型
model.fit(X_train, y_train)

1. 使用训练好的模型对测试集进行预测并输出预测结果和模型准确度。

# 对测试集进行预测
y_pred = model.predict(X_test)

# 计算模型准确度
accuracy = accuracy_score(y_test, y_pred)
print("模型准确度：", accuracy)

1. 使用模型对21-25行数据的贷款申请进行评估，输出评估结果（1为同意，0为拒绝）。

# 准备新数据
new_data = df.iloc[20:25].drop(columns=['Y'])

# 使用训练好的模型进行评估
evaluation_result = model.predict(new_data)
print("评估结果：", evaluation_result)

完整代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score

# 加载数据
df = pd.read_excel('企业贷款审批数据表.xlsx')  # 请替换成你的数据文件路径

# 划分训练集和测试集
train_data = df.iloc[0:17]  # 使用1-10行数据作为训练集
test_data = df.iloc[17:20]  # 使用11-20行数据作为测试集

# 特征和标签
X_train = train_data.drop(columns=['Y'])  # 特征
y_train = train_data['Y']  # 标签
X_test = test_data.drop(columns=['Y'])  # 特征
y_test = test_data['Y']  # 标签

# 初始化多层感知机分类模型
model = MLPClassifier(max_iter=1000, random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 对测试集进行预测
y_pred = model.predict(X_test)

# 计算模型准确度
accuracy = accuracy_score(y_test, y_pred)
print("模型准确度：", accuracy)

# 准备新数据
new_data = df.iloc[20:25].drop(columns=['Y'])

# 使用训练好的模型进行评估
evaluation_result = model.predict(new_data)
print("评估结果：", evaluation_result)