BP神经网络（马疝病数据集）.zip

python实现BP神经网络的源代码，以及使用的马疝病数据集。

import numpy as np

def loaddataset（filename）:
	fp = open（filename）

	#存放数据
	dataset = []

	#存放标签
	labelset = []
	for i in fp.readlines（）:
		a = i.strip（）.split（）

		#每个数据行的最后一个是标签
		dataset.append（[float（j） for j in a[:len（a）-1]]）
		labelset.append（int（float（a[-1]）））
	return dataset labelset


#x为输入层神经元个数，y为隐层神经元个数，z输出层神经元个数
def parameter_initialization（x y z）:

	#隐层阈值
	value1 = np.random.randint（-5 5 （1 y））.astype（np.float64）

	#输出层阈值
	value2 = np.random.randint（-5 5 （1 z））.astype（np.float64）

	#输入层与隐层的连接权重
	weight1 = np.random.randint（-5 5 （x y））.astype（np.float64）

	#隐层与输出层的连接权重
	weight2 = np.random.randint（-5 5 （y z））.astype（np.float64）

	return weight1 weight2 value1 value2

def sigmoid（z）:
	return 1 / （1 + np.exp（-z））

‘‘‘
weight1:输入层与隐层的连接权重
weight2:隐层与输出层的连接权重
value1:隐层阈值
value2:输出层阈值
‘‘‘
def trainning（dataset labelset weight1 weight2 value1 value2）:
	#x为步长
	x = 0.01
	for i in range（len（dataset））:
		#输入数据
		inputset = np.mat（dataset[i]）.astype（np.float64）
		#数据标签
		outputset = np.mat（labelset[i]）.astype（np.float64）
		#隐层输入
		input1 = np.dot（inputset weight1）.astype（np.float64）
		#隐层输出
		output2 = sigmoid（input1 - value1）.astype（np.float64）
		#输出层输入
		input2 = np.dot（output2 weight2）.astype（np.float64）
		#输出层输出
		output3 = sigmoid（input2 - value2）.astype（np.float64）

		#更新公式由矩阵运算表示
		a = np.multiply（output3 1 - output3）
		g = np.multiply（a outputset - output3）
		b = np.dot（g np.transpose（weight2））
		c = np.multiply（output2 1 - output2）
		e = np.multiply（b c）

		value1_change = -x * e
		value2_change = -x * g
		weight1_change = x * np.dot（np.transpose（inputset） e）
		weight2_change = x * np.dot（np.transpose（output2） g）

		#更新参数
		value1 += value1_change
		value2 += value2_change
		weight1 += weight1_change
		weight2 += weight2_change
	return weight1 weight2 value1 value2

def testing（dataset labelset weight1 weight2 value1 value2）:
	#记录预测正确的个数
	rightcount = 0
	for i in range（len（dataset））:
		#计算每一个样例通过该神经网路后的预测值
		inputset = np.mat（dataset[i]）.astype（np.float64）
		outputset = np.mat（labelset[i]）.astype（np.float64）
		output2 = sigmoid（np.dot（inputset weight1） - value1）
		output3 = sigmoid（np.dot（output2 weight2） - value2）

		#确定其预测标签
		if output3 > 0.5:
			flag = 1
		else:
			flag = 0
		if labelset[i] == flag:
			rightcount += 1
		#输出预测结果
		print（“预测为%d   实际为%d“%（flag labelset[i]））
	#返回正确率
	return rightcount / len（dataset）

if __name__ == ‘__main__‘:
	dataset labelset = loaddataset（‘horseColicTraining.txt‘）
	weight1 weight2 value1 value2 = parameter_initialization（len（dataset[0]） len（dataset[0]） 1）
	for i in range（1500）:
		weight1 weight2 value1 value2 = trainning（dataset labelset weight1 weight2 value1 value2）
	rate = testing（dataset labelset weight1 weight2 value1 value2）
	print（“正确率为%f“%（rate））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3342  2019-06-08 15:34  BP神经网络（马疝病数据集）\BP神经网络.py
     文件        3722  2019-05-30 20:41  BP神经网络（马疝病数据集）\horseColicTest.txt
     文件       60357  2019-05-30 20:41  BP神经网络（马疝病数据集）\horseColicTraining.txt
     目录           0  2019-06-08 15:35  BP神经网络（马疝病数据集）\