房价预测的BP神经网络实现_python代码

波士顿房价预测的BP神经网络实现 1) 训练数据 housing.csv 使用波士顿房价数据 2) 使用Python代码实现前向和后向传播 3) 损失函数使用方差

# Package imports
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def clc_accuracy（y_true y_predict）:
    “““ use sklearn to calcuate the R2 score“““
    from  sklearn.metrics import r2_score
    score = r2_score（y_true y_predict）
    return score

def sigmoid（Z）:
    “““
    Compute the sigmoid of x
    Arguments:
    x -- A scalar or numpy array of any size.
    Return:
    s -- sigmoid（x）
    “““
    A = 1.0/（1.0+np.exp（-Z））
    return A

def sigmoid_backward（dA cache）:
    “““
    Implement the backward propagation for a single SIGMOID unit.

    Arguments:
    dA -- post-activation gradient of any shape
    cache -- ‘Z‘ where we store for computing backward propagation efficiently

    Returns:
    dZ -- Gradient of the cost with respect to Z
    “““
    Z = cache
    s = 1.0 / （1.0 + np.exp（-Z））
    dZ = dA * s * （1 - s）
    assert （dZ.shape == Z.shape）
    return dZ

def relu（Z）:
    “““
    Implement the RELU function.
    Arguments:
    Z -- Output of the linear layer of any shape
    Returns:
    A -- Post-activation parameter of the same shape as Z
    cache -- a python dictionary containing “A“ ; stored for computing the backward pass efficiently
    “““
    A = np.maximum（0 Z）
    assert （A.shape == Z.shape）
    return A

def relu_backward（dA cache）:
    “““
    Implement the backward propagation for a single RELU unit.
    Arguments:
    dA -- post-activation gradient of any shape
    cache -- ‘Z‘ where we store for computing backward propagation efficiently
    Returns:
    dZ -- Gradient of the cost with respect to Z
    “““
    Z = cache
    dZ = np.array（dA copy=True）  # just converting dz to a correct object.
    # When z <= 0 you should set dz to 0 as well.
    dZ[Z <= 0] = 0
    assert （dZ.shape == Z.shape）
    return dZ

def layer_sizes（X Y）:
    “““
    Arguments:
    X -- input dataset of shape （input size number of examples）
    Y -- labels of shape （output size number of examples）

    Returns:
    n_x -- the size of the input layer
    n_h -- the size of the hidden layer
    n_y -- the size of the output layer
    “““
    n_x = X.shape[0]  # size of input layer number of features ?
    n_h = 4
    n_y = Y.shape[0]  # size of output layer
    return （n_x n_h n_y）


def initialize_parameters（n_x n_h n_y）:
    “““
    Argument:
    n_x -- size of the input layer
    n_h -- size of the hidden layer
    n_y -- size of the output layer
    Returns:
    params -- python dictionary containing your parameters:
    W1 -- weight matrix of shape （n_h n_x）
    b1 -- bias vector of shape （n_h 1）
    W2 -- weight matrix of shape （n_y n_h）
    b2 -- bias vector of shape （n_y 1）
    “““
    np.random.seed（2）  # we set up a seed so that your output matches ours although the initialization is random.

    W1 = np.random.randn（n_h n_x） * 0.01
    b1 = np.zeros（（n_h 1））
    W2 = np.random.r

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       11828  2018-08-29 08:47  pred_nn.py
     文件       12435  2018-04-28 00:36  housing.csv