基于steam的游戏销量预测 — PART 3 — 基于BP神经网络的机器学习与预测
语言:c++
环境:windows
训练内容:根据从steam中爬取的数据经过文本分析制作的向量以及标签
使用相关:无
解释:
就是一个BP神经网络,借鉴参考了一些博客的解释和代码,具体哪些忘了,给出其中一个:
http://blog.csdn.net/zhongkejingwang/article/details/44514073
代码:
#include <iostream> #include <cstring> #include <cmath> #include <vector> #include <algorithm> #include <stdlib.h> #include <time.h> #include <fstream> #define TAG_NUM 200 #define VEC_NUM 216 #define BASE_SCORE 5 #define MX_STR 2400 #define DIV 1000000.0 #define INF (1e9 + 44) using namespace std; namespace BPnamespace { #define IN_NODE_NUM 216 //输入节点数 #define HIDDEN_NODE_NUM 24 //隐含节点数 #define HIDDEN_LAYER_NUM 1 //隐含层数 #define OUT_NODE_NUM 9 //输出节点数 #define LEARNING_RATE 0.03 //学习速率 #define MAX_RAND_SEG (int)144e4 inline double xrand() // 0.1 ~ -0.1 { ) / 10.0; } inline double sigmoid(double x) //sigmoid { / ( + exp(-x)); return ret; } struct InputNode { double value; //固定输入值 vector<double> weight; //到首个隐含层权值 vector<double> wdelta_sum; //到首个隐含层权值的delta值累积 InputNode() { weight.clear(); wdelta_sum.clear(); } }; struct OutputNode { double value; double delta; //与正确值之间的偏差值 double rightout; //正确值 double bias; //偏移量 double bdelta_sum; //bias的delta累积 OutputNode(){ } }; struct HiddenNode { double value; double delta; //BP推导出的delta double bias; //偏移量 double bdelta_sum; //bias的delta值累积 vector<double> weight; //对于下一层的每个节点的权值 vector<double> wdelta_sum; //对于下一层的权值delta累积 HiddenNode() { weight.clear(); wdelta_sum.clear(); } }; struct RandSegNode { int id, val; } rand_seg[MAX_RAND_SEG]; struct Sample { vector<double> in, out; }; bool cmpRandSeg(RandSegNode a,RandSegNode b) { return a.val < b.val; } class BP { public: double error; InputNode* input_layer[IN_NODE_NUM]; OutputNode* output_layer[OUT_NODE_NUM]; HiddenNode* hidden_layer[HIDDEN_LAYER_NUM][HIDDEN_NODE_NUM]; void load() { string file_name = "data\\data.txt"; ifstream infile(file_name.c_str(), ios::in); ; i < IN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) infile >> input_layer[i]->weight[j]; ; k < HIDDEN_LAYER_NUM - ; k++) ; i < HIDDEN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) infile >> hidden_layer[k][i]->weight[j]; ; i < HIDDEN_NODE_NUM; i++) ; j < OUT_NODE_NUM; j++) infile >> hidden_layer[HIDDEN_LAYER_NUM - ][i]->weight[j]; ; k < HIDDEN_LAYER_NUM; k++) ; i < HIDDEN_NODE_NUM; i++) infile >> hidden_layer[k][i]->bias; ; i < OUT_NODE_NUM; i++) infile >> output_layer[i]->bias; } void write() { string file_name = "data\\data.txt"; ofstream outfile(file_name.c_str(), ios::out); ; i < IN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) outfile << input_layer[i]->weight[j] << ' '; ; k < HIDDEN_LAYER_NUM - ; k++) ; i < HIDDEN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) outfile << hidden_layer[k][i]->weight[j] << ' '; ; i < HIDDEN_NODE_NUM; i++) ; j < OUT_NODE_NUM; j++) outfile << hidden_layer[HIDDEN_LAYER_NUM - ][i]->weight[j] << ' '; ; k < HIDDEN_LAYER_NUM; k++) ; i < HIDDEN_NODE_NUM; i++) outfile << hidden_layer[k][i]->bias << ' '; ; i < OUT_NODE_NUM; i++) outfile << output_layer[i]->bias << ' '; } BP() { srand((unsigned)time(NULL)); error = ; //初始化输入层 ; i < IN_NODE_NUM; i++) { input_layer[i] = new InputNode(); ; j < HIDDEN_NODE_NUM; j++) { input_layer[i]->weight.push_back(xrand()); input_layer[i]->wdelta_sum.push_back(); } } //初始化隐藏层 ; i < HIDDEN_LAYER_NUM; i++) { ) { ; j < HIDDEN_NODE_NUM;j++) { hidden_layer[i][j] = new HiddenNode(); hidden_layer[i][j]->bias = ; ; k < OUT_NODE_NUM; k++) { hidden_layer[i][j]->weight.push_back(xrand()); hidden_layer[i][j]->wdelta_sum.push_back(); } } } else { ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j] = new HiddenNode(); hidden_layer[i][j]->bias = ; ; k < HIDDEN_NODE_NUM; k++) hidden_layer[i][j]->weight.push_back(xrand()); } } } //初始化输出层 ; i < OUT_NODE_NUM; i++) { output_layer[i] = new OutputNode(); output_layer[i]->bias = ; } } void forwardPropagationEpoc() //单个样本 向前传播 { //输入层->隐含层 隐含层->隐含层 ; i < HIDDEN_LAYER_NUM; i++) { ) { ; j < HIDDEN_NODE_NUM; j++) { ; ; k < IN_NODE_NUM; k++) sum += input_layer[k]->value * input_layer[k]->weight[j]; sum += hidden_layer[i][j]->bias; hidden_layer[i][j]->value = sigmoid(sum); } } else { ; j < HIDDEN_NODE_NUM; j++) { ; ; k < HIDDEN_NODE_NUM; k++) sum += hidden_layer[i - ][k]->value*hidden_layer[i - ][k]->weight[j]; sum += hidden_layer[i][j]->bias; hidden_layer[i][j]->value = sigmoid(sum); } } } //隐含层->输出层 ; i < OUT_NODE_NUM; i++) { ; ; j < HIDDEN_NODE_NUM; j++) sum += hidden_layer[HIDDEN_LAYER_NUM - ][j]->value * hidden_layer[HIDDEN_LAYER_NUM - ][j]->weight[i]; sum += output_layer[i]->bias; output_layer[i]->value = sigmoid(sum); } //cout << "!!!" << ' ' << output_layer[0]->value << endl; } void backPropagationEpoc() //单个样本 向后传播 { //输出层 计算delta ; i < OUT_NODE_NUM; i++) { double tmp = output_layer[i]->rightout - output_layer[i]->value; error += tmp*tmp / ; output_layer[i]->delta = tmp*( - output_layer[i]->value)*output_layer[i]->value; } //隐含层 计算delta ; i >= ; i--) { ) { ; j < HIDDEN_NODE_NUM; j++) { ; ; k < OUT_NODE_NUM; k++) sum += output_layer[k]->delta*hidden_layer[i][j]->weight[k]; hidden_layer[i][j]->delta = sum*( - hidden_layer[i][j]->value)*hidden_layer[i][j]->value; } } else { ; j < HIDDEN_LAYER_NUM; j++) { ; ; k < HIDDEN_NODE_NUM; k++) sum += hidden_layer[i + ][k]->delta*hidden_layer[i][j]->weight[k]; hidden_layer[i][j]->delta = sum*( - hidden_layer[i][j]->value)*hidden_layer[i][j]->value; } } } //输入层 更新 wdelta_sum ; i < IN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) input_layer[i]->wdelta_sum[j] += input_layer[i]->value*hidden_layer[][j]->delta; //隐含层 更新 wdelta_sum 和 bdelta_sum ; i < HIDDEN_LAYER_NUM; i++) { ) { ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j]->bdelta_sum += hidden_layer[i][j]->delta; ; k < OUT_NODE_NUM; k++) hidden_layer[i][j]->wdelta_sum[k] += hidden_layer[i][j]->value*output_layer[k]->delta; } } else { ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j]->bdelta_sum += hidden_layer[i][j]->delta; ; k < HIDDEN_NODE_NUM; k++) hidden_layer[i][j]->wdelta_sum[k] += hidden_layer[i][j]->value*hidden_layer[i + ][k]->delta; } } } //输出层 更新 bdelta_sum ; i < OUT_NODE_NUM; i++) output_layer[i]->bdelta_sum += output_layer[i]->delta; } void training(vector<Sample> sample_group, int cnt_bound) //更新weight,bias { int sample_num = sample_group.size(); ; i < sample_num; i++) rand_seg[i].id = i, rand_seg[i].val = rand(); sort(rand_seg, rand_seg + sample_num, cmpRandSeg); // double error_bound; // double last_error = -1; ; int now_id; while (cnt < cnt_bound) { // last_error = error; error = ; ; i < IN_NODE_NUM; i++) input_layer[i]->wdelta_sum.assign(input_layer[i]->wdelta_sum.size(), ); ; i < HIDDEN_LAYER_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j]->wdelta_sum.assign(hidden_layer[i][j]->wdelta_sum.size(), ); hidden_layer[i][j]->bdelta_sum = ; } ; i < OUT_NODE_NUM; i++) output_layer[i]->bdelta_sum = ; now_id = rand_seg[cnt%sample_group.size()].id; setInput(sample_group[now_id].in); setOutput(sample_group[now_id].out); forwardPropagationEpoc(); backPropagationEpoc(); //输出层反向传递 更新 weight ; i < IN_NODE_NUM; i++) ; j < HIDDEN_NODE_NUM; j++) input_layer[i]->weight[j] += LEARNING_RATE*input_layer[i]->wdelta_sum[j]; //隐含层反向传递 更新 weight 和 bias ; i < HIDDEN_LAYER_NUM; i++) { ) { ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j]->bias += LEARNING_RATE*hidden_layer[i][j]->bdelta_sum; ; k < OUT_NODE_NUM; k++) hidden_layer[i][j]->weight[k] += LEARNING_RATE*hidden_layer[i][j]->wdelta_sum[k]; } } else { ; j < HIDDEN_NODE_NUM; j++) { hidden_layer[i][j]->bias += LEARNING_RATE*hidden_layer[i][j]->bdelta_sum; ; k < HIDDEN_NODE_NUM; k++) hidden_layer[i][j]->weight[k] += LEARNING_RATE*hidden_layer[i][j]->wdelta_sum[k]; } } } //输出层反向传递 更新bias ; i < OUT_NODE_NUM; i++) output_layer[i]->bias += LEARNING_RATE*output_layer[i]->bdelta_sum; == ) { printf("turn %d/%d finished \n", cnt, cnt_bound); printf("training error: %lf\n", error); } } } void predict(vector<Sample>& test_group) //神经网络预测 { int test_num = test_group.size(); ; id < test_num; id++) { test_group[id].out.clear(); setInput(test_group[id].in); //输入层->隐含层 隐含层->隐含层 正向传播 ; i < HIDDEN_LAYER_NUM; i++) { ) { ; j < HIDDEN_NODE_NUM; j++) { ; ; k < IN_NODE_NUM; k++) sum += input_layer[k]->value*input_layer[k]->weight[j]; sum += hidden_layer[i][j]->bias; hidden_layer[i][j]->value = sigmoid(sum); } } else { ; j < HIDDEN_NODE_NUM; j++) { ; ; k < HIDDEN_NODE_NUM; k++) sum += hidden_layer[i - ][k]->value*hidden_layer[i - ][k]->weight[j]; sum += hidden_layer[i][j]->bias; hidden_layer[i][j]->value = sigmoid(sum); } } } ; i < OUT_NODE_NUM; i++) { ; ; j < HIDDEN_NODE_NUM; j++) sum += hidden_layer[HIDDEN_LAYER_NUM - ][j]->value*hidden_layer[HIDDEN_LAYER_NUM - ][j]->weight[i]; sum += output_layer[i]->bias; output_layer[i]->value = sigmoid(sum); test_group[id].out.push_back(output_layer[i]->value); } } } void setInput(vector<double> sample_in) //设置学习样本输入 { ; i < IN_NODE_NUM; i++) input_layer[i]->value = sample_in[i]; } void setOutput(vector<double> sample_out) //设置学习样本输出 { ; i < OUT_NODE_NUM; i++) output_layer[i]->rightout = sample_out[i]; } }; } using namespace BPnamespace; BP bp; vector<Sample> sample_group; char ex_str[MX_STR]; int getRank(char num_str[]) { ; ; i < len; i++) ') ret++; // ret = ret * 10 + num_str[i] - '0'; return ret; } void part_train() { sample_group.clear(); char num_str[MX_STR]; int tol, num; double tmp; Sample now; string infile_name = "training_data.txt"; ifstream infile(infile_name.c_str(), ios::in); infile >> tol; ; i < tol; i++) { infile >> ex_str; infile >> num; now.in.clear(),now.out.clear(); ; j < num; j++) { infile >> tmp; now.in.push_back(tmp); } for(int j = num; j < VEC_NUM; j++) now.in.push_back(BASE_SCORE); infile >> num_str; ] == '-') continue; num = getRank(num_str); ; j < OUT_NODE_NUM; j++) if(j == num) now.); ); sample_group.push_back(now); } bp.training(sample_group,); bp.write(); } void part_predict() { sample_group.clear(); char num_str[MX_STR]; int tol, num; double tmp; Sample now; string infile_name = "sample.txt"; ifstream infile(infile_name.c_str(), ios::in); infile >> tol; ; i < tol; i++) { infile >> ex_str; infile >> num; now.in.clear(),now.out.clear(); ; j < num; j++) { infile >> tmp; now.in.push_back(tmp); } for(int j = num; j < VEC_NUM; j++) now.in.push_back(BASE_SCORE); infile >> num_str; sample_group.push_back(now); } bp.predict(sample_group); string outfile_name = "result.txt"; ofstream outfile(outfile_name.c_str(), ios::out); ; i < sample_group.size(); i++) { tmp = -INF; now = sample_group[i]; ; j < now.out.size(); j++) if(now.out[j] > tmp) tmp = now.out[j], num = j; outfile << "id: " << i << " rank: " << num << endl; cout << "id: " << i << " rank: " << num << endl; } } int main() { int tp; puts("input\n 0: load last trainning data\n 1: restart tranning\n 2: load last tranning data and continue trainning\n"); scanf("%d",&tp); ) bp.load(); ) part_train(); ) bp.load(), part_train(); ; part_predict(); system("pause"); ; }
基于steam的游戏销量预测 — PART 3 — 基于BP神经网络的机器学习与预测的更多相关文章
- 基于steam的游戏销量预测 — PART 1 — 爬取steam游戏相关数据的爬虫
语言:python 环境:ubuntu 爬取内容:steam游戏标签,评论,以及在 steamspy 爬取对应游戏的销量 使用相关:urllib,lxml,selenium,chrome 解释: 流程 ...
- Atitit 基于dom的游戏引擎
Atitit 基于dom的游戏引擎 1. 添加sprite控件(cocos,createjs,dom)1 1.1.1. Cocos1 1.1.2. createjs1 1.1.3. Dom模式2 1. ...
- 基于cocos2d-x的游戏框架设计——李成
视频:http://v.youku.com/v_show/id_XMzc5ODUyMTI4.html?f=17330006 网易科技讯 3月31日,第四届CocoaChina开发者大会暨Cocos2d ...
- 基于 Cocos2d-x-lua 的游戏开发框架 Dorothy 简介
基于 Cocos2d-x-lua 的游戏开发框架 Dorothy 简介 概述 Dorothy 是一个在 Cocos2d-x-lua 基础上发展起来的分支, 它去掉 Cocos2d-x-lua 那些过多 ...
- (14)如何使用Cocos2d-x 3.0制作基于tilemap的游戏:第二部分
引言 程序截图: 这篇教程是<如何使用Cocos2d-x 3.0制作基于tilemap的游戏>的第二部分.在上一个教程中,我们创建了一个简单的基于tiled地图的游戏,里面有一个忍者在沙漠 ...
- (13)如何使用Cocos2d-x 3.0制作基于tilemap的游戏:第一部分
引言 程序截图: 本教程将会教大家如何使用Cocos2d-x来做一个基于tile地图的游戏,当然还有Tiled地图编辑器.(我们小时候玩的小霸王小学机里面的游戏,大部分都是基于tile地图的游戏,如坦 ...
- BP神经网络算法预测销量高低
理论以前写过:https://www.cnblogs.com/fangxiaoqi/p/11306545.html,这里根据天气.是否周末.有无促销的情况,来预测销量情况. function [ ma ...
- R_Studio(神经网络)BP神经网络算法预测销量的高低
BP神经网络 百度百科:传送门 BP(back propagation)神经网络:一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络 #设置文件工作区间 setwd('D:\\ ...
- 基于Lua的游戏服务端框架简介
基于Lua的游戏服务端框架简介 [转]https://gameinstitute.qq.com/community/detail/106396 基于lua的游戏服务端框架简介 1. 引言 笔者目前在参 ...
随机推荐
- (十三)自定义JSTL标签
前面的博客,我们讲过了 自定义 el函数 : 讲一个 自定义标签技术 : 目录 自定义标签 快速入门:使用标签输出客户机IP 关于标签处理器类的方法 自定义标签功能扩展 传统标签 简单标签 配置简单标 ...
- springcloud断路器Dashboard监控仪表盘的使用
断路器Dashboard监控仪表盘的使用 在原有的orderserverfeignhystrix服务中使用 1.增加依赖仓库 <dependency> <g ...
- scratch少儿编程第一季——07、人要衣装佛靠金装——外观模块
各位小伙伴大家好: 上期我们学习了如何设置背景,和设计一个小项目总结了动作模块. 本期开始我们学习外观模块下的指令. 首先我们来看看前面两个指令 第一个指令是在角色对象上出现一个对话框,显示角色所说的 ...
- oracle 数据库 主键索引重建
oracle 数据库 主键索引重建 alter table table_name drop primary key; alter table table_name add constraint pk_ ...
- hdu 3342 拓扑模板题
直接上代码吧 #include<cstdio> #include<cstring> #include<algorithm> using namespace std; ...
- SQL 删除重复记录,并保留其中一条
--查找表中多余的重复记录select * from code_xz where code in (select code from code_xz group by code having coun ...
- linux 用户切换组
问题: 因为默认的的网站路径 /var/www/html 是root 用户 root组的, 想要修改什么的需要用sudo 很麻烦. 解决: 将当前用户 hehecat加入至root组,使之有权限对目录 ...
- Entity framework 意外删除了表,如何在不影响其它表的情况下恢复回来
关于EntityFramework数据迁移原理 查询数据库的表"__MigrationHistory",遍历代码库的Migrations文件夹下的所有文件,如果文件不在__Migr ...
- eclipse复制工作空间配置步骤
多个workspace,把每个workspace的设置共享,省去每次都重新配置一次. 总结一下,复制工作空间配置步骤如下: [最好是在新的workspace创建项目之前操作] 1 使用eclipse新 ...
- springboot 上传图片,地址,在页面展示图片
package com.cxwlw.zhcs.controller.api;import org.springframework.stereotype.Controller;import org.sp ...