基于TensorFlow和地理位置预测商品标价

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt

# 读取训练集数据
train_data = pd.read_excel('D:\pythonProject3\商品信息\附件一：已结束项目任务数据 - 副本.xlsx')

# 提取特征和目标变量
X = train_data[['商品GPS纬度', '商品GPS经度']].values
y = train_data['任务标价'].values

# 数据归一化
scaler = MinMaxScaler()
X = scaler.fit_transform(X)

# 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建神经网络模型
model = Sequential()
model.add(Dense(32, activation='relu', input_shape=(2,)))
model.add(Dense(32, activation='relu'))
model.add(Dense(1))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 训练模型
history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=100, batch_size=32)

# 可视化训练过程
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 读取测试集数据
test_data = pd.read_excel('D:\pythonProject3\商品信息\任务.xlsx')

# 提取特征并进行归一化
X_test = test_data[['商品GPS纬度', '商品GPS经度']].values
X_test = scaler.transform(X_test)

# 预测任务标价
y_pred = model.predict(X_test)

# 评估模型
# 由于没有提供测试集的真实标签，无法计算预测的精准度。
# 但可以通过观察训练过程中的损失函数值来评估模型的拟合情况。
# 一般来说，损失函数值越小，模型的拟合效果越好。
print('预测结果:', y_pred)