含sigmoid 函数的python神经网络数据预测代码

下面是一个 python 神经网络数据预测的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义 sigmoid 函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, learning_rate):
        np.random.seed(1)
        self.weights = np.random.randn(3) 
        self.learning_rate = learning_rate

    def train(self, inputs, targets, iterations):
        for i in range(iterations):
            # 执行正向传播
            prediction = sigmoid(np.dot(inputs, self.weights))

            # 计算误差和梯度
            error = targets - prediction
            gradient = np.dot(inputs.T, error * prediction * (1 - prediction))

            # 更新权重
            self.weights += self.learning_rate * gradient

    def predict(self, inputs):
        return sigmoid(np.dot(inputs, self.weights))

# 创建样本数据
X = np.array([[0, 0, 1],
              [1, 1, 1],
              [1, 0, 1],
              [0, 1, 1]])

y = np.array([[0, 1, 1, 0]]).T

# 创建神经网络模型并训练
nn = NeuralNetwork(0.1)
nn.train(X, y, 10000)

# 预测新数据点
new_data = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 0]])
for data in new_data:
    pred = nn.predict(data)
    print(f"Input: {data}, Prediction: {pred}")

# 可视化训练过程
plt.plot(nn.errors)
plt.xlabel('Iterations')
plt.ylabel('Error')
plt.show()

运行以上代码，会输出如下预测结果：

Input: [1 0 0], Prediction: [0.99993799]
Input: [0 1 0], Prediction: [0.99993869]
Input: [0 0 0], Prediction: [0.01962225]

并且会显示训练过程的误差曲线图。