背景：根据往期历史中奖记录，预测下次中奖的概率！总共有日期和中奖结果两个字段，中奖为1，不中奖为0，休息日的记录删除不要！
一：LSTM预测
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense# 准备训练数据
df = pd.read_excel('zj.xlsx', sheet_name='武神')
data = df['结果'].tolist()n_steps = 5 # 每个样本的时间步数，可以自己设置，这里意思是根据前五次结果预测第六次的
X, y = [], []
for i in range(len(data) - n_steps):X.append(data[i:i+n_steps])y.append(data[i+n_steps])
X = np.array(X).reshape(-1, n_steps, 1)
y = np.array(y)# 构建模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(X, y, epochs=100, batch_size=1)# 使用模型进行预测
test_data = data[-5:] # 用于预测的最后五个中奖结果
test_input = np.array(test_data).reshape(1, n_steps, 1)
prediction = model.predict(test_input)
prediction = np.round(prediction) # 四舍五入为最接近的整数
print("预测结果:", prediction)二、LogisticRegression预测
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression# 假设data.csv是包含日期和中奖结果的数据文件
data = pd.read_excel('zj.xlsx', sheet_name='武神')
# print(data.head())# 确保日期是日期时间类型
data['日期'] = pd.to_datetime(data['日期'])# 排序数据按照日期
data = data.sort_values('日期')# 转换中奖结果为0和1
# data['结果'] = data['结果'].apply(lambda x: 1 if x == '中奖' else 0)# 构建特征和标签
data['前一次结果'] = data['结果'].shift() # 前一次的中奖结果
data = data.dropna() # 去除NaN值X = data[['前一次结果']]
y = data['结果']# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 使用逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)# 预测下一次中奖结果
last_result = data['结果'].iloc[-1] # 最后一次的中奖结果
prediction = model.predict([[last_result]])
if prediction[0] == 1:print("预测值为：", prediction)print("下一次可能中奖！")
else:print("预测值为：", prediction)print("下一次可能不会中奖。")三、简单概率预测
# 假设这是你的历史数据，1代表中奖，0代表未中奖
historical_data = [1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1]# 计算中奖的次数
win_count = sum(historical_data)
total_draws = len(historical_data)# 计算中奖的概率
win_probability = win_count / total_drawsprint(f"中奖概率为: {win_probability}")
