深度学习03-keras实例介绍iris数据集+sklearn对比+模型结果分析

数据准备

导入数据

from sklearn import datasets
iris = datasets.load_iris()
type(iris)
iris.data#四个自变量
iris.target#目标变量

对变量进行标准化

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
irisZX = StandardScaler().fit_transform(iris.data)

使用sklearn拟合

#MLPClassifier默认为shuffle=True 因此不需要事先打乱数据的顺序
from sklearn.neural_network import MLPClassifier
clf = MLPClassifier(activation = 'logistic',hidden_layer_sizes = (5),
                    solver = 'lbfgs',random_state = 1)
clf.fit(irisZX,iris.target)  
clf.score(irisZX,iris.target)

拟合的score分数为0.9933

keras方法

数据转换

keras需要将因变量转换为哑变量

#将因变量转换为哑变量
from keras.utils import to_categorical
y = to_categorical(iris.target)
y[:5]

模型准备

直接上代码，先导入需要的包，然后建立模型，这里是顺序模型然后用add添加层的方法。第一层输入的尺寸为4（包含四个自变量），输出层为5，激活函数为sigmoid。第二层也就是输出层，每个样本需要输出三个值，激活函数为softmax，保证输出结果的取值在[0,1]之间。

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(5,input_dim = 4,activation = 'sigmoid'))
model.add(Dense(3,activation = 'softmax'))#softmax保证输出结果为[0,1]
model.compile(loss = 'categorical_crossentropy',
              optimizer = 'rmsprop',
              metrics = ['accuracy'])

可以看一下模型描述

模型拟合及预测

下面直接添加fit拟合模型，可根据需要是否显示日志

model.fit(irisZX,y,epochs = 50)
model.fit(irisZX,y,epochs = 50,verbose = 0)
model.fit(irisZX,y,epochs = 50,verbose = 2)

看一下模型效果：结果【测试集损失函数，预测准确率】

模型预测：直接用predict函数

模型结构的可视化

history将模型的accuracy和loss存贮起来

hist = model.fit(irisZX,y,epochs = 50)
hist.history

plt.plot(hist.history['accuracy'])
plt.plot(hist.history['loss'])

#画一起
plt.plot(hist.history['accuracy'])
ax2 = plt.gca().twinx()#使用第二Y轴
plt.plot(hist.history['loss'])

及时终止训练

当达到一定的要求时，可以让模型及时终止训练。使用EarlyStopping 函数

from keras.callbacks import EarlyStopping 

stop = EarlyStopping(monitor = 'val_loss',min_delta = 0.1)
model.fit(irisZX,y,epochs = 500,
          validation_data = (irisZX,y),
          callbacks = [stop])