keras非常方便。
不解釋，直接上例項。
資料格式如下：

序號  天氣  是否週末    是否有促銷   銷量
1   壞   是   是   高
2   壞   是   是   高
3   壞   是   是   高
4   壞   否   是   高
5   壞   是   是   高
6   壞   否   是   高
7   壞   是   否   高
8   好   是   是   高
9   好   是   否   高
10  好   是   是   高
11  好   是   是   高
12  好   是   是   高
13  好   是   是   高
14  壞   是   是   低
15
 
  好   否   是   高
16  好   否   是   高
17  好   否   是   高
18  好   否   是   高
19  好   否   否   高
20  壞   否   否   低
21  壞   否   是   低
22  壞   否   是   低
23  壞   否   是   低
24  壞   否   否   低
......

程式碼如下：

#-*- coding: utf-8 -*-
#使用神經網路演算法預測銷量高低

import pandas as pd

#引數初始化
inputfile = 'data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序號'
 
) #匯入資料

#資料是類別標籤，要將它轉換為資料
#用1來表示“好”、“是”、“高”這三個屬性，用0來表示“壞”、“否”、“低”
data[data == u'好'] = 1
data[data == u'是'] = 1
data[data == u'高'] = 1
data[data != 1] = 0
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)
print x
from keras.models import Sequential
from keras.layers.core import
 
 Dense, Activation,Dropout

model = Sequential()
model.add(Dense(64, input_shape=(3,)))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
#編譯模型。由於我們做的是二元分類，所以我們指定損失函式為binary_crossentropy，以及模式為binary
#另外常見的損失函式還有mean_squared_error、categorical_crossentropy等，請閱讀幫助檔案。
#求解方法我們指定用adam，還有sgd、rmsprop等可選

model.fit(x, y, nb_epoch = 1000, batch_size = 10) #訓練模型，學習一千次
yp = model.predict_classes(x).reshape(len(y)) #分類預測

10/34 [=======>......................] - ETA: 0s - loss: 0.3723 - acc: 0.8000
34/34 [==============================] - 0s - loss: 0.4470 - acc: 0.7647     
Epoch 1000/1000

結果為經過1000輪訓練準確率為0.7647.