python1

1. 数据交互
   pandas读取数据：

   input = pd.read_excel("E:/File/pythonfile/NeuralNetwork/data1.xls",sheet_name=0)
   output = pd.read_excel("data1.xls",sheet_name=1)
   x = input.iloc[:,0]  #选取特定位置数据

   保存数据：

   B = pd.DataFrame(A)  #数据需要先转化成pandas格式
   B.to_csv('A.csv') # B.to_excel

2. numpy
   生成数据：

   A = np.array([0,0,0,0])  # 一列数据
   A = np.array([[0,0,0,0]])  # 一行数据
   
   a = np.linspace(7,10,31) # 等差数列，np.linspace(最小数,最大数,个数)

   插入数据：

   np.r_[A,[[i,j,k,h]]] #np.r_插入行。np.c_插入列

3. 画图：

   fig = plt.figure()
   ax = fig.add_subplot(111, projection='3d')
   ax.scatter(x, y, z, c=a, s=6) # c是散点颜色，可以是具体颜色，也可以是数列，s是散点大小
   ax.view_init(15, 145)  #三维图视角
   plt.colorbar(ax) # colorbar没有试验成功
   plt.show()

4. 神经网络

   from sklearn.neural_network import MLPRegressor  
   from sklearn.preprocessing import StandardScaler
   from sklearn.model_selection import train_test_split
   #from sklearn.cross_validation import train_test_split
   import pandas as pd
   
   input = pd.read_excel("data1.xls",sheet_name=0)
   output = pd.read_excel("data1.xls",sheet_name=1)
   x_train, x_test, y_train, y_test = train_test_split(input,output,test_size=0.2, random_state=0)
   X = x_train
   y = y_train
   scaler = StandardScaler() # 标准化转换
   scaler.fit(X)  # 训练标准化对象
   X = scaler.transform(X)   # 转换数据集
   #（多层感知器对特征的缩放是敏感的，所以需要归一化你的数据。 例如，将输入向量 X 的每个属性放缩到到 [0, 1] 或 [-1，+1] ，或者将其标准化使它具有 0 均值和方差 1。 
   #为了得到有意义的结果，必须对测试集也应用 相同的尺度缩放。 可以使用 StandardScaler 进行标准化。）
   # solver=‘sgd',  MLP的求解方法：L-BFGS 在小数据上表现较好，Adam 较为鲁棒，SGD在参数调整较优时会有最佳表现（分类效果与迭代次数）；SGD标识随机梯度下降。
   # alpha:L2的参数：MLP是可以支持正则化的，默认为L2，具体参数需要调整
   # hidden_layer_sizes=(2, 1) hidden层2层,第一层2个神经元，第二层1个神经元)，2层隐藏层，也就有3层神经网络
   clf = MLPRegressor(solver='sgd', alpha=1e-3,hidden_layer_sizes=(5,5), random_state=1)
   clf.fit(X, y)
   print('预测结果：', clf.predict([[10,3,6,2.95]]))  # 预测某个输入对象
   cengindex = 0
   for wi in clf.coefs_:
       cengindex += 1  # 表示底第几层神经网络。
       print('第%d层网络层:' % cengindex)
       print('权重矩阵维度:',wi.shape)
       print('系数矩阵：\n',wi)