用python编写神经网络回归预测代码

好的，下面是一个使用Python编写神经网络回归预测的简单示例：

首先，需要导入相关的库，包括numpy、pandas、sklearn和keras：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense

然后，读取数据并进行预处理：

# 读取数据
data = pd.read_csv('data.csv')

# 分离自变量和因变量
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 特征缩放
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

接下来，定义并训练神经网络模型：

# 初始化模型
model = Sequential()

# 添加输入层和隐藏层
model.add(Dense(units=6, activation='relu', input_dim=X_train.shape[1]))

# 添加输出层
model.add(Dense(units=1, activation='linear'))

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(X_train, y_train, batch_size=32, epochs=100)

最后，使用测试集进行预测并评估模型的表现：

# 对测试集进行预测
y_pred = model.predict(X_test)

# 评估模型表现
from sklearn.metrics import r2_score
r2_score(y_test, y_pred)

这就是一个简单的使用Python编写神经网络回归预测的示例。当然，具体的实现方式还可以根据数据集的特点进行调整和优化。