python写一个bp神经网络房价预测模型

好的，以下是一个使用反向传播算法的神经网络模型的 Python 代码，用于房价预测：

import numpy as np

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

def sigmoid_derivative(x):
    return x * (1 - x)

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重矩阵
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)
        
    def forward(self, X):
        # 前向传播
        self.hidden_layer = sigmoid(np.dot(X, self.weights1))
        self.output_layer = np.dot(self.hidden_layer, self.weights2)
        return self.output_layer
    
    def backward(self, X, y, output, learning_rate):
        # 反向传播
        self.output_error = y - output
        self.output_delta = self.output_error
        
        self.hidden_error = np.dot(self.output_delta, self.weights2.T)
        self.hidden_delta = self.hidden_error * sigmoid_derivative(self.hidden_layer)
        
        # 更新权重矩阵
        self.weights2 += learning_rate * np.dot(self.hidden_layer.T, self.output_delta)
        self.weights1 += learning_rate * np.dot(X.T, self.hidden_delta)
        
    def train(self, X, y, epochs, learning_rate):
        for i in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output, learning_rate)
            
        return self.forward(X)

# 构造训练数据
X = np.array([[0.2, 0.3, 0.4],
              [0.3, 0.4, 0.5],
              [0.4, 0.5, 0.6],
              [0.5, 0.6, 0.7]])
y = np.array([[0.5], [0.6], [0.7], [0.8]])

# 构造测试数据
X_test = np.array([[0.25, 0.35, 0.45]])

# 创建神经网络对象
nn = NeuralNetwork(3, 5, 1)

# 训练模型
output = nn.train(X, y, 10000, 0.1)

# 预测测试数据
output_test = nn.forward(X_test)

# 输出预测结果
print("训练数据的预测结果：")
print(output)
print("测试数据的预测结果：")
print(output_test)

在这个模型中，输入层有3个神经元，隐藏层有5个神经元，输出层有1个神经元。训练数据 `X` 包含4个样本，每个样本有3个特征；训练标签 `y` 包含4个样本，每个样本有1个输出值。测试数据 `X_test` 包含1个样本，每个样本有3个特征。模型使用了10,000个 epochs 进行训练，学习率为0.1。最后输出训练数据和测试数据的预测结果。