Keras多分类实例:鸢尾花

鸢尾花数据集具有4个数值型输入项目,并且数值具有相同的尺度,输出项目是鸢尾花的三个子类。

这里使用的是Scikit-Learn中提供的数据集,省略了数据预处理的过程,如果在UCI上面下载的话要使用Pandas中的read_csv()函数导入数据,并使用Scikit-Learn的LabelEncoder将类别文本编辑成数值。

这里的实例部分出自于魏贞原老师的书。

from sklearn import datasets
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold

#导入数据
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

#设定随机种子
seed = 7
np.random.seed(seed)

#构建模型函数
def create_model(optimizer = 'adam', init = 'glorot_uniform'):
    #构建模型
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4, kernel_initializer=init))
    model.add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))

    #编译模型
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])

    return model

model = KerasClassifier(build_fn=create_model, epochs=200, batch_size=5, verbose=0)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x,Y, cv=kfold)
print('Accuracy: %.2f%% (%.2f)' % (results.mean()*100, results.std()))

 

这里得到结果,准确率为:

Accuracy: 93.33% (0.10)

 当将代码进行一些小改动:

kfold = KFold(n_splits=10, shuffle=True)

 将 random_state参数去掉,准确率有所提升。

Accuracy: 96.00% (0.06)

 

你可能感兴趣的:(Keras,深度学习,Keras,鸢尾花)