(P3)keras二分类逻辑回顾范例

今天内容包括建立一个二分类逻辑回归神经网络，并将损失函数和准确度进行可视化

全部代码

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv('credit_a.csv', header=None) # 因为没有表头所以加入header=None
# print(data)

x = data.iloc[:, :-1]
y = data.iloc[:, [-1]].replace(-1, 0)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4, input_shape=(15,), activation='relu'))
model.add(tf.keras.layers.Dense(4, activation='relu')) # 第二层开始不写输入参数shape，因为系统会根据上一层自动推断
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
# model.summary()

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['acc']
)

history = model.fit(x, y, epochs=100)

# print(history.history.keys())

plt.plot(history.epoch, history.history.get('loss'))
plt.show()
plt.plot(history.epoch, history.history.get('acc'))
plt.show()

分布讲解

data = pd.read_csv('credit_a.csv', header=None) # 因为没有表头所以加入header=None
print(data)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4, input_shape=(15,), activation='relu'))
model.add(tf.keras.layers.Dense(4, activation='relu')) # 第二层开始不写输入参数shape，因为系统会根据上一层自动推断
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
model.summary() #显示神经网络

这次建立一个两层隐藏层的神经网络，每一次4个神经元，因为是逻辑回归，所以最后一层的激活函数用的是sigmoid

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['acc']
)

history = model.fit(x, y, epochs=100)

开始训练了
因为是二分类逻辑回归，所以损失函数选择loss=‘binary_crossentropy’
metrics=[‘acc’]加入这个函数，可以显示准确度

最后的训练结果，hahah这么低，毕竟只有10个数据

print(history.history.keys())

训练过程history.history是一个字典变量，用keys()得到它的keys，可以看到有loss和acc

plt.plot(history.epoch, history.history.get('loss'))
plt.show()

将损失函数可视化

plt.plot(history.epoch, history.history.get('acc'))
plt.show()

将准确度可视化，hahha不要在意结果