基于numpy与pandas的bp神经网络回归relu进行预测分析的代码

以下是基于NumPy和Pandas的BP神经网络回归预测代码，使用ReLU激活函数，并进行预测分析：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 定义ReLU激活函数
def relu(x):
    return np.maximum(x, 0)

# 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 = relu(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)

# 绘制预测结果与真实结果的对比图
plt.figure(figsize=(8, 6))
plt.plot(y_test, label='True')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

在计算预测误差后，使用 Matplotlib 库绘制了预测结果与真实结果的对比图。通过观察图像，可以直观地了解模型预测效果的优劣。如果预测结果与真实结果的曲线接近重合，则说明模型预测效果较好；如果曲线出现明显的偏差，则需要进一步优化模型。