BP神经预测GDP的python代码

以下是使用BP神经网络预测GDP的Python代码示例：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense

# 加载数据集
data = pd.read_csv('gdp.csv', header=None)
dataset = data.values.astype('float32')

# 数据集归一化
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)

# 划分训练集和测试集
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

# 创建数据集
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 3
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# 创建BP神经网络模型
model = Sequential()
model.add(Dense(12, input_dim=look_back, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=2, verbose=2)

# 预测GDP
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

# 反归一化预测结果
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])

# 计算RMSE误差
trainScore = np.sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))
print('Train Score: %.2f RMSE' % (trainScore))
testScore = np.sqrt(mean_squared_error(testY[0], testPredict[:,0]))
print('Test Score: %.2f RMSE' % (testScore))

其中，数据集应该是一个包含 GDP 值的 CSV 文件，每一行代表一个时间点的 GDP 值，示例代码中假设文件名为 'gdp.csv'。代码使用了 Pandas 库来读取 CSV 文件，使用了 Scikit-learn 库的 MinMaxScaler 类进行数据归一化，使用了 Keras 库的 Sequential 类和 Dense 类来创建 BP 神经网络模型。代码首先将数据集划分为训练集和测试集，然后使用 create_dataset() 函数将数据集转换为可以用于 BP 神经网络训练的格式。接着使用 fit() 函数进行 BP 神经网络的训练，并使用 predict() 函数进行 GDP 的预测。最后，使用 mean_squared_error() 函数来计算训练集和测试集的 RMSE 误差。