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
- Linux安装 PostgreSQL
1.在线安装 yum install postgresql-server -y 2.初始化数据库 service postgresql initdb 3.设置自动启动 hkconfig postgre ...
- LaTeX 一些用法实例(并列图片、并列表格、算法代码示例、页眉太长、下划线，等)
横向并列两个图片 \begin{figure} \begin{minipage}{0.49\linewidth} \centering \includegraphics[width=6.5cm]{Si ...
- MySQL之mysqldump数据备份还原
一 mysqldump指令实现数据备份.mysql指令实现数据还原 经常有朋友问我,DBA到底是做什么的,百科上说:数据库管理员(Database Administrator,简称DBA),是从事管理 ...
- 谈谈Python中pop与remove的用法
remove() 函数用于移除列表中某个值的第一个匹配项. remove()方法语法: list.remove(obj) 如果obj不在列表中会引发 ValueError 错误,通常先使用count ...
- asp.net core-10.Http请求的处理过程
左边是一个普通的网页请求过程,右边是.net core请求过程 这是大致请求流程图:
- tuxedo10g3R的安装过程（原文url：http://www.cnblogs.com/xianfish/articles/1955244.html）
RHEL 5.1 32Bit 安装配置TUXEDO 10R3 [前言]: 目的: 在Linux上安装配置Tuxedo 10R3 环境: RHEL 5.1 32Bit [前提条件]: 下载Tuxed ...
- C# xml序列化 datatime字段
[XmlIgnore] public DateTime ApplicationDatetime { get; set; } [XmlElement("ApplicationDatetime& ...
- 浅析web网站反向代理的配置
一.背景 最近在部署项目到web服务器上时,该项目有一个打开视频监控的功能,视频的服务器是一台内网的服务器,不允许设置外网端口访问,网站服务器和视频服务器在同一个局域网内,可以相互联通.网络拓扑图如下 ...
- Android三种菜单的使用方式
一.选项菜单(OptionMenu) 在res目录下新建menu目录,用于放置菜单布局文件(右键res->new->Android Resource Directory->menu) ...
- meta标签常见浏览器设置
一.如何让双核浏览器默认选择 WebKit 内核渲染自己开发的网页 我们可以使用标签来指定适合自己网站的渲染内核名称,当双核浏览器访问本网页时,就会根据我们的指示,选择我们指定的渲染内核来处理网页.若 ...