写一个分析excel数据意愿度的bp算法代码

好的，我了解了你的要求。以下是分析Excel数据意愿度的BP算法代码：

import numpy as np

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

# 定义BP算法类
class BP:
    def __init__(self, input_size, hidden_size, output_size):
        self.W1 = np.random.randn(input_size, hidden_size)  # 输入层到隐藏层的权值矩阵
        self.B1 = np.random.randn(hidden_size)  # 隐藏层的偏置向量
        self.W2 = np.random.randn(hidden_size, output_size)  # 隐藏层到输出层的权值矩阵
        self.B2 = np.random.randn(output_size)  # 输出层的偏置向量

    # 前向传播函数
    def forward(self, X):
        self.Z1 = np.dot(X, self.W1) + self.B1
        self.A1 = sigmoid(self.Z1)
        self.Z2 = np.dot(self.A1, self.W2) + self.B2
        self.Y = sigmoid(self.Z2)
        return self.Y

    # 反向传播函数
    def backward(self, X, Y, lr):
        delta3 = (self.Y - Y) * (self.Y * (1 - self.Y))  # 输出层的误差项
        dW2 = np.dot(self.A1.T, delta3)  # 隐藏层到输出层的权值矩阵的梯度
        dB2 = np.sum(delta3, axis=0, keepdims=True)  # 输出层的偏置向量的梯度
        delta2 = np.dot(delta3, self.W2.T) * (self.A1 * (1 - self.A1))  # 隐藏层的误差项
        dW1 = np.dot(X.T, delta2)  # 输入层到隐藏层的权值矩阵的梯度
        dB1 = np.sum(delta2, axis=0)  # 隐藏层的偏置向量的梯度
        self.W2 -= lr * dW2
        self.B2 -= lr * dB2
        self.W1 -= lr * dW1
        self.B1 -= lr * dB1

    # 训练函数
    def train(self, X, Y, lr=0.1, epochs=1000):
        for i in range(epochs):
            Y_hat = self.forward(X)
            self.backward(X, Y, lr)
            loss = np.mean(-Y * np.log(Y_hat) - (1 - Y) * np.log(1 - Y_hat))
            if i % 100 == 0:
                print("Epoch:", i, "Loss:", loss)

上述代码是一个 3 层全连接神经网络（输入层、隐藏层、输出层），使用 BP 算法进行训练。其中，`input_size`、`hidden_size`、`output_size` 分别代表输入层、隐藏层、输出层的神经元个数。`X` 是输入数据，`Y` 是对应的标签数据。`lr` 是学习率，`epochs` 是训练轮数。

训练好之后，可以使用 `BP` 类的 `forward` 方法计算输出。例如，对于一个输入 `x`，可以用 `model.forward(x)` 得到对应的输出。