python实现bp神经网络预测

表示模型预测和真实值之间的残差 使用sklearn计算：MAE:范围,当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大。 MAPE:范围[0,+),MAPE为0%表示完美模型，MAPE大于100%则表示劣质模型。

  SmartProxy企业级海外住宅IP代理服务商，覆盖全球200+家和地区，高匿稳定，动态住宅代理/静态住宅代理/账密提取，100%原生住宅IP，城级定位，支HTTP/HTTPS/SOCKS5协议，不限带宽，纯净高匿，网络集成更快捷，注册即送流量！Smartproxy代理的优势：1、整合真实家庭住宅IP，汇聚优质IP资源池；2、IP纯净高匿，无封锁采集网络数据，不限带宽，更快速度；3、价格便宜，代理服务器稳定运行不掉线；4、支自定义家/IP时效/城，精准定位；5、我们的团队提供24/7实时支，可根据业务场景定独享IP。

具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。 2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。 3、计算网络实际输出与期望输出的误差。 4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。

让我们看看经过 1500 次迭代后的神经网络的最终预测结果: 经过1500 次迭代训练后的预测结果 我们成功了!我们应用前向和方向传播算法成功的训练了神经网络并且预测结果收敛于真实值。 注意预测值和真实值之间存在细微的误差是允许的。 这样可以防止模型过拟合并且使得神经网络对于未知数据有着更强的泛化能力。