from BP import BPNeuralNetwork import numpy as np import pandas as pd # 读取 Excel 文件并划分数据集 train_input=pd.read_excel('test.xlsx', nrows=100, usecols=[1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34,35]) test_input=pd.read_excel('test.xlsx', skiprows=100, nrows=50, usecols=[1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34,35]) train_output=pd.read_excel('test.xlsx', nrows=100, usecols=[36]) test_output=pd.read_excel('test.xlsx', skiprows=100, nrows=50, usecols=[36]) # 构建神经网络模型并训练 nn = BPNeuralNetwork(num_input=train_input.shape[1], num_hidden=3, num_output=train_output.shape[1], learning_rate=0.1) nn.train(train_input, train_output, num_epochs=500) # 在测试集上进行预测并计算准确率 y_pred = nn.predict(test_input) for i in range(test_output.shape[0]): right=0 if test_output[i] == y_pred[i]: right+=1 #y_pred_label = np.argmax(y_pred, axis=1) #y_test_label = np.argmax(test_output, axis=1) accuracy = right/test_output.shape[0] print("Accuracy: {:.2f}%".format(accuracy * 100))

根据你提供的代码，出现错误的位置是在以下代码段：

for i in range(test_output.shape[0]):
    right=0
    if test_output[i] == y_pred[i]:
        right+=1

accuracy = right/test_output.shape[0]

在这段代码中，你尝试比较 `test_output[i]` 和 `y_pred[i]` 是否相等，并根据判断结果计算准确率。但是，在这个循环中，你每次都将 `right` 的值重置为 0，导致无法正确计算准确率。

为了解决这个问题，你可以将 `right=0` 的赋值放在循环外面，以确保它只被初始化一次。同时，你需要将 `right` 的定义放在循环外面，以便在循环结束后可以正确使用它来计算准确率。修改后的代码如下所示：

right = 0
for i in range(test_output.shape[0]):
    if test_output[i] == y_pred[i]:
        right += 1

accuracy = right / test_output.shape[0]
print("Accuracy: {:.2f}%".format(accuracy * 100))

现在，你应该能够正确计算预测的准确率了。如果还有其他问题，请随时提问。

相关问题

from BP import BPNeuralNetwork import numpy as np import pandas as pd # 读取 Excel 文件并划分数据集 train_input=pd.read_excel('test.xlsx', nrows=100, usecols=[0,1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34]) test_input=pd.read_excel('test.xlsx', skiprows=99, nrows=50, usecols=[0,1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34]) train_output=pd.read_excel('result.xlsx', nrows=100, usecols=[0]) test_output=pd.read_excel('result.xlsx', skiprows=99, nrows=50, usecols=[0]) print(train_input.shape, test_input.shape) print(train_output.shape, test_output.shape) print(train_input)

这段代码读取了一个Excel文件，并将其划分为练集和测试集。首先，使用`pd.read_excel`函数从名为'test.xlsx'的Excel文件中读取前100行作为训练输入数据，并仅使用列索引为0到34的列。接下来，使用相同的方式读取第100行之后的50行作为测试输入数据。接着，使用`pd.read_excel`函数从名为'result.xlsx'的Excel文件中读取前100行作为训练输出数据，并仅使用列索引为0的列。最后，使用相同的方式读取第100行之后的50行作为测试输出数据。

接下来，代码打印了训练输入数据、测试输入数据、训练输出数据和测试输出数据的形状（即行数和列数），以及训练输入数据的内容。

请注意，这段代码使用了`BPNeuralNetwork`类，但是在提供的代码中没有看到该类的导入语句。如果该类定义在另一个文件中，请确保正确地导入它。

from BP import BPNeuralNetwork import numpy as np import pandas as pd # 读取 Excel 文件并划分数据集 train_input=pd.read_excel('test.xlsx', nrows=100, usecols=[1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34, 35]) test_input=pd.read_excel('test.xlsx', skiprows=100, nrows=50, usecols=[1, 2, 3, 4, 5, 6,7,8,9,10,11,12,13,14,15, 16,17,18,19,20,21, 22, 23, 24, 25, 26,27,28,29,30,31, 32, 33, 34, 35]) train_output=pd.read_excel('test.xlsx', nrows=100, usecols=[36]) test_output=pd.read_excel('test.xlsx', skiprows=100, nrows=50, usecols=[36]) # 构建神经网络模型并训练 nn = BPNeuralNetwork(num_input=train_input.shape[1], num_hidden=5, num_output=train_output.shape[1], learning_rate=0.1) nn.train(train_input, train_output, num_epochs=500) # 在测试集上进行预测并计算准确率 y_pred = nn.predict(test_input) y_pred_label = np.argmax(y_pred, axis=1) y_test_label = np.argmax(test_output, axis=1) accuracy = np.mean(y_pred_label == y_test_label) print("Accuracy: {:.2f}%".format(accuracy * 100))

你的代码看起来是一个基于BP神经网络的分类模型的训练和预测过程。根据你的代码，以下是你可能需要注意的几个方面：

1. 确保 `BPNeuralNetwork` 类的定义在 `BP.py` 文件中，并且在当前代码文件中通过 `from BP import BPNeuralNetwork` 导入了该类。

2. 确保你已经正确安装了所需的依赖项，例如 `pandas` 和 `numpy`。

3. 请确保文件路径 `'test.xlsx'` 是正确的，并且该文件存在于指定的位置。如果文件不在当前工作目录中，请提供正确的文件路径。

4. 检查你的 Excel 文件中的数据是否符合预期。确保训练集和测试集的输入和输出数据与模型的输入和输出维度相匹配。

5. 请确保构建神经网络模型时，输入层的维度 `num_input` 和输出层的维度 `num_output` 与数据集的输入和输出维度相匹配。

6. 确保在训练神经网络模型之前设置了适当的学习率 `learning_rate` 和训练迭代次数 `num_epochs`。

7. 确保神经网络模型训练成功后，对测试集进行预测，并计算准确率。确保预测结果 `y_pred` 和真实标签 `y_test_label` 的维度相匹配。

如果你遇到任何错误或问题，请提供完整的错误信息和数据集的结构，以便我能够更好地帮助你解决问题。