电力窃漏电用户自动识别 源码

#-*- coding: utf-8 -*- import os import pandas as pd from random import shuffle datafile = '../data/model.xls' data = pd.read_excel(datafile) data = data.as_matrix() shuffle(data) p = 0.8 #设置训练数据比例 train = data[:int(len(data)*p), :] test = data[int(len(data)*p):, :] ###构建神经网络分类模型 from keras.models import Sequential #导入神经网络初始化函数 from keras.layers.core import Dense, Activation #导入神经网络层函数、激活函数 netfile = '../tmp/net.model' #构建的神经网络模型存储路径 net = Sequential() #建立神经网络 net.add(Dense(input_dim = 3, units = 10)) #添加输入层（3节点）到隐藏层（10节点）的连接 net.add(Activation('relu')) #隐藏层使用relu激活函数 net.add(Dense(input_dim = 10, units = 1)) #添加隐藏层（10节点）到输出层（1节点）的连接 net.add(Activation('sigmoid')) #输出层使用sigmoid激活函数 net.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics=['accuracy']) #编译模型，使用adam方法求解 net.fit(train[:, :3], train[:, 3], epochs=1000, batch_size=1) #训练模型，循环1000次 net.save_weights(netfile) #保存模型 #绘制混淆矩阵 from cm_plot import * #导入自行编写的混淆矩阵可视化函数 from sklearn.tree import DecisionTreeClassifier #导入决策树模型 from sklearn.metrics import confusion_matrix #导入混淆矩阵函数 predict_result = net.predict_classes(train[:, :3]).reshape(len(train)) #预测结果变形 cm = confusion_matrix(train[:, 3], predict_result) #混淆矩阵 import matplotlib.pyplot as plt #导入作图库 plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens plt.colorbar() #颜色标签 for x in range(len(cm)): #数据标签 for y in range(len(cm)): plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center') plt.ylabel('True label') #坐标轴标签 plt.xlabel('Predicted label') #坐标轴标签 plt.show() #显示作图结果 treefile = '../tmp/tree.pkl' #模型输出名字 tree = DecisionTreeClassifier() #建立决策树模型 tree.fit(train[:, :3],train[:, 3]) #训练 #保存模型 from sklearn.externals import joblib joblib.dump(tree, treefile) from sklearn.metrics import roc_curve #导入ROC曲线函数 import matplotlib.pyplot as plt fpr1, tpr1, thresholds1 = roc_curve(test[:, 3], net.predict(test[:, :3]).reshape(len(test)), pos_label=1) fpr2, tpr2, thresholds2 = roc_curve(test[:, 3], tree.predict_proba(test[:, :3])[:, 1], pos_label=1) plt.plot(fpr1, tpr1, linewidth=2, label = 'ROC of LM', color = 'blue') #作出ROC曲线 plt.plot(fpr2, tpr2, linewidth=2, label = 'ROC of CART', color = 'green') plt.xlabel('False Positive Rate') #坐标轴标签 plt.ylabel('True Positive Rate') #坐标轴标签 plt.ylim(0, 1.05) #边界范围 plt.xlim(0, 1.05) #边界范围 plt.legend(loc=4) #图例 plt.show() #显示作图结果