大家好，我是微学AI，深度学习框架如果仔细研究，其实难度没有想象中的那么大，今天我给大家带来一个深度学习框架keras简单的实战项目：企业信用评级与预测。
企业信用评级目前是一个完整的体系，包括信用评级的要素和指标、信用评级的等级和标准、信用评级的方法和模型等方面的内容。信用评级指标是根据企业的各个指标进行综合评分，这里涉及的指标维度较多，今天我们来做一个简单的信用评级模型，抽象了几个标准化的数据指标，下面是详细流程：
一、引入库包
import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
import matplotlib .pyplot as plt
import pandas as pd
import csv
二、导入数据
data = pd.read_csv('train_new.csv',encoding = 'utf-8')
数据模型如下表：
三、数据预处理
#提取数据特性x1,x2,x3,x4,作为训练集
train = data[['x1','x2','x3','x4']]
#设置标签值 one-hot编码
y_train= np.zeros((len(data),5),dtype = np.int)
for i in range(len(data)):
y_train[i][data['class'][i]]=1
print(np.array(y_train))
数据中"class"字段中0表示"A"级别，1表示"B"级别，2表示"C"级别，3表示"D"级别，4表示"E"级别.
以上数据进行了one-hot 编码，one-hot 编码类似于虚拟变量（dummy variables），是一种将分类变量转换为几个二进制列的方法。其中 1 代表某个输入属于该类别。
四、构建神经网络模型
model=Sequential()
model.add(Dense(input_dim=4,units=666,activation='relu'))
model.add(Dropout(0.5)) # Dropout(0.5) 表示随机丢弃50%的神经元，防止过拟合
model.add(Dense(units=666,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(units=666,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(units=5,activation='softmax')) #输出层 输出5个等级结果
五、训练模型
model.compile(loss='mse',optimizer='adam',metrics=['acc'])
history = model.fit(train,y_train,batch_size=123,epochs=500,validation_split=0.2) #训练500次
六、模型评估
weights = np.array(model.get_weights())
result2=model.evaluate(train,y_train)
#绘制图形函数
def show_train_history(history,train,validation):
plt.plot(history.history[train])
plt.plot(history.history[validation])
plt.title('Train History')
plt.ylabel(train)
plt.xlabel('Epoch')
plt.legend(['train','validation'],loc='upper left')
plt.show()
七、验证集与测试集检验
训练历史图像
show_train_history(history,'acc','val_acc')
损失函数图像
show_train_history(history,'loss','val_loss')
训练结果：[0.039951469749212265, 0.8893280625343323]
损失值 loss: 0.03995，准确率 acc: 0.8893
八、测试集检验结果
with open('test.csv', encoding='utf-8-sig') as f:
reader = csv.reader(f)
for j in reader:
test.append(list(map(float,j)))
test1=np.array(test)
# print(np.shape(BB))
pre=model.predict(test1)
print(pre)
预测结果基本满足项目要求，待读可以自己训练次数多于500，准确率可能会继续提升。
获取数据集，请私信我，更多实战内容请关注我，谢谢。