大家好，我是微学AI，今天给大家带来深度学习框架keras的实战项目，用于基本的企业数据分析，预测企业净利润情况，并利用灰色预测函数GM11进行预测模型。我们拿到企业数据，这里参数抽象成x1-x9，y表示净利润，数据如下：
下面我们开始编写代码进行分析，首先我们引入库：
import numpy as npimport pandas as pdfrom keras.models import Sequential from keras.layers.core import Dense, Activationimport matplotlib.pylab as plt # 绘制图像库
编写GM11灰色预测函数, 灰色预测函数是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。它是基于客观事物的过去和现在的发展规律，利用科学的方法对未来的发展趋势和状况进行描述和分析，灰色预测函数如下：
def GM11(x0): #自定义灰色预测函数import numpy as npx1 = x0.cumsum() #1-AGO序列z1 = (x1[:len(x1)-1] + x1[1:])/2.0 z1 = z1.reshape((len(z1),1))B = np.append(-z1, np.ones_like(z1), axis = 1)Yn = x0[1:].reshape((len(x0)-1, 1))[[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn) #计算参数f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2)) #还原值delta = np.abs(x0 - np.array([f(i) for i in range(1,len(x0)+1)]))C = delta.std()/x0.std()P = 1.0*(np.abs(delta - delta.mean()) < 0.6745*x0.std()).sum()/len(x0)return f, a, b, x0[0], C, P #返回灰色预测函数、a、b、首项、方差比、小残差概率
读取数据：
data = pd.read_csv('data.csv') #读取数据data.index = range(2000,) # 标注索引信息年份
数据操作，预测-这三年的企业各参数的预测值
data.loc[] = Nonedata.loc[] = Nonedata.loc[] = Nonel = ['x1', 'x2', 'x3', 'x4', 'x5', 'x7']l1 = ['x3','x5','x7']for i in l1:f,_,_,_,C,_ = GM11(data[i].loc[range(2000,)].values)print("%s后验差比值：%0.4f"%(i,C)) #后验差比值c，即：真实误差的方差同原始数据方差的比值。data[i].loc[] = f(len(data)-2) #预测结果data[i].loc[] = f(len(data)-1) #预测结果data[i].loc[] = f(len(data)) # 预测结果data[i] = data[i].round(2) #保留两位小数data[l1+['y']].to_csv('GM11.csv') #结果输出
生成的数据并读取：
data = pd.read_csv('GM11.csv',index_col = 0) #读取数据feature = ['x3','x5','x7'] # 提取特征
取前的数据进行建模，数据标准化 后进行训练
data_train = data.loc[range(2000,)] #取前的数据建模print(data_train)data_mean = data_train.mean()data_std = data_train.std()data_train = (data_train - data_mean)/data_std #数据标准化 后进行训练x_train = data_train[feature].values #特征数据y_train = data_train['y'].values #标签数据
建立keras神经网络
model = Sequential() #建立模型model.add(Dense(12,activation='relu',input_dim=3))model.add(Dense(24,activation='relu')) # 隐藏层model.add(Dense(1)) # 输出层pile(loss='mean_squared_error', optimizer='adam') #编译模型model.fit(x_train, y_train, epochs = 10000, batch_size = 16,verbose=2) #训练模型，训练1000次model.save_weights('net.model') #保存模型参数
训练过程：
Epoch 1/100002/2 - 0s - loss: 0.6044 - 421ms/epoch - 210ms/stepEpoch 2/100002/2 - 0s - loss: 0.5691 - 996us/epoch - 498us/stepEpoch 3/100002/2 - 0s - loss: 0.5365 - 2ms/epoch - 975us/stepEpoch 4/100002/2 - 0s - loss: 0.5037 - 3ms/epoch - 1ms/stepEpoch 5/100002/2 - 0s - loss: 0.4765 - 2ms/epoch - 997us/stepEpoch 6/100002/2 - 0s - loss: 0.4492 - 2ms/epoch - 1ms/stepEpoch 7/100002/2 - 0s - loss: 0.4218 - 2ms/epoch - 997us/stepEpoch 8/100002/2 - 0s - loss: 0.3960 - 2ms/epoch - 998us/stepEpoch 9/100002/2 - 0s - loss: 0.3678 - 993us/epoch - 496us/stepEpoch 10/100002/2 - 0s - loss: 0.3436 - 2ms/epoch - 980us/step
模型预测与保存
x = ((data[feature] - data_mean[feature])/data_std[feature]).valuesdata[u'y_pred'] = model.predict(x) * data_std['y'] + data_mean['y']data.to_csv('result.csv')
预测结果绘图：
p = pd.read_csv('result.csv')p = p[['y','y_pred']].copy()p.index=range(2000,)p.plot(style=['b-o','r-*'],xticks=p.index,figsize=(15,5))plt.xlabel("Year")plt.show()
可以看出2000-预测值基本与真实值吻合，-预测结果呈现上升趋势。
具体数据文件可以私信我，我会发给读者，后续更多深度学习实战内容，敬请关注！
往期作品：
深度学习实战项目
1.深度学习实战1-(keras框架)企业数据分析与预测
2.深度学习实战2-(keras框架)企业信用评级与预测
3.深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类
4.深度学习实战4-卷积神经网络（DenseNet）数学图形识别+题目模式识别
5.深度学习实战5-卷积神经网络（CNN）中文OCR识别项目
6.深度学习实战6-卷积神经网络(Pytorch)+聚类分析实现空气质量与天气预测
7.深度学习实战7-电商产品评论的情感分析
8.深度学习实战8-生活照片转化漫画照片应用
9.深度学习实战9-文本生成图像-本地电脑实现text2img
10.深度学习实战10-数学公式识别-将图片转换为Latex(img2Latex)
11.深度学习实战11(进阶版)-BERT模型的微调应用-文本分类案例
12.深度学习实战12(进阶版)-利用Dewarp实现文本扭曲矫正
13.深度学习实战13(进阶版)-文本纠错功能，经常写错别字的小伙伴的福星
14.深度学习实战14(进阶版)-手写文字OCR识别，手写笔记也可以识别了
15.深度学习实战15(进阶版)-让机器进行阅读理解+你可以变成出题者提问
16.深度学习实战16(进阶版)-虚拟截图识别文字-可以做纸质合同和表格识别
17.深度学习实战17(进阶版)-智能辅助编辑平台系统的搭建与开发案例
18.深度学习实战18(进阶版)-NLP的15项任务大融合系统，可实现市面上你能想到的NLP任务
19.深度学习实战19(进阶版)-ChatGPT的本地实现部署测试，自己的平台就可以实现ChatGPT
...(待更新)
