python神经网络预测实例

可以使用Python中的Keras库来实现神经网络预测。下面是一个简单的实例：

# 导入库
import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 定义输入数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])

# 创建一个神经网络模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=1000, batch_size=4)

# 预测新数据
X_new = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y_new = model.predict_classes(X_new)

# 打印预测结果
print(y_new)

输出：

[[0]
 [1]
 [1]
 [0]]

这个实例中，我们使用了一个简单的神经网络模型来预测输入为二进制数0或1的异或操作结果。我们创建了一个`Sequential`对象，并使用`add`方法添加两个全连接层。我们使用`compile`方法来编译模型，并将损失函数设置为二元交叉熵，优化器设置为Adam，并评估指标设置为准确率。然后，我们使用`fit`方法来训练模型。最后，我们使用`predict_classes`方法来预测新数据`X_new`的输出值`y_new`。