模型亮点
- 测试集上评分为1.0
- 数据集由sklearn自带
-----------------------------------------以下为模型具体实现-----------------------------------------
Step1.数据读取
how 数据读取？
- 使用load_iris命令，加载鸢尾花数据集
from sklearn.datasets import load_iris iris=load_iris() x=iris.data y=iris.target import pandas as pd df_x=pd.DataFrame(x) df_y=pd.DataFrame(y) df_x.columns=['sepal_length','sepal_width','petal_length','petal_width'] df_y.columns=['class']
Step2.划分训练集和测试集
why 划分训练集和测试集？
- 把所有样本当作训练集，做过的题都是旧题，都会~
- 把部分样本当作训练集，在新题上做测试，起到检测效果~
from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=0)
Step3.数据清洗
why 数据清洗？how 数据清洗？
- Squential模型为单输出，但那这里是多分类问题
- 把分类标签y，变成独热编码
Step4.定义神经网络结构
what 定义结构？
- 定义模型models，序贯模型Sequential或函数式模型Functional，前者是线性单输出，后者是多输出
- 定义常用层layers，全连接层Dense（与下一层全连接），激活层Activation（对上一层输出施加激活函数），中断层Dropout（防止过拟合）
from keras.models import Sequential from keras.layers import Dense,Activation model=Sequential() #定义模型 model.add(Dense(units=16,input_dim=4)) #定义输入层为4个神经元，第一个隐藏层为16个神经元 model.add(Activation('relu')) #定义激活层 model.add(Dense(16)) #定义第二个隐藏层为16个神经元 model.add(Activation('relu')) model.add(Dense(3)) #定义输出层为3个神经元 model.add(Activation('softmax'))
Step5.启动模型
how 启动模型？
- 编译模型，设定初始化参数
- 拟合训练集数据，也需设定参数
what 设定参数？
- epochs：迭代次数，含完整的一次前向与后向传播，batch_size：数据集太大，分块训练
- verbose：是否输出每次迭代的详细信息，validation_data：其中的数据集不会被用来拟合
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy']) model.fit(x_train,y_train_ohe,epochs=20,batch_size=1,verbose=2,validation_data=(x_test,y_test_ohe))
Step6.模型评估
how 模型评估？
- 这里没有自带的score，改用evaluate
print("训练集上评分：{}".format(round(model.evaluate(x_train,y_train_ohe,verbose=2)[1],2))) #以列表形式，返回loss和指定好的accuracy，这里只需返回accuracy print("测试集上评分：{}".format(round(model.evaluate(x_test,y_test_ohe,verbose=2)[1],2)))
Step7.保存模型
why 保存模型？how 保存模型？
- for job-lib（工作自由）~
- dump转存模型，以pkl格式
- load加载模型
from sklearn.externals import joblib joblib.dump(model,'d:\keras.pkl') new_model=joblib.load('d:\keras.pkl') print(new_model.predict(x_test,verbose=2)) #返回分类值对应概率 print(new_model.predict_classes(x_test,verbose=2)) #返回分类值
-END