基于numpy与pandas的bp神经网络回归预测代码

以下是基于NumPy和Pandas的BP神经网络回归预测代码：

import numpy as np
import pandas as pd

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

# 加载训练好的模型
W1 = np.load('W1.npy')
W2 = np.load('W2.npy')
b1 = np.load('b1.npy')
b2 = np.load('b2.npy')

# 加载测试数据
test_data = pd.read_csv('test_data.csv')
X_test = np.array(test_data.iloc[:, :-1])
y_test = np.array(test_data.iloc[:, -1])

# 对测试数据进行预处理
X_test = (X_test - np.mean(X_test, axis=0)) / np.std(X_test, axis=0)

# 前向传播，得到预测结果
z1 = np.dot(X_test, W1) + b1
a1 = sigmoid(z1)
z2 = np.dot(a1, W2) + b2
y_pred = z2.ravel()

# 计算预测误差
mse = np.mean((y_pred - y_test) ** 2)
print('Mean Squared Error:', mse)

其中，'W1.npy'、'W2.npy'、'b1.npy'、'b2.npy' 是训练好的模型参数文件，需要使用 `np.load()` 函数加载。test_data 是测试数据集，需要使用 Pandas 库中的 `read_csv()` 函数加载。在对测试数据进行预处理时，需要先对输入数据进行均值和方差的归一化处理，使其与训练数据的范围一致。接着，使用前向传播算法计算预测结果。

最后，计算预测误差并输出。需要注意的是，预测误差的计算方法可以根据具体需求进行调整，比如使用平均绝对误差（MAE）或相关系数（R方）等指标。