Python实现BP神经网络ANN单隐层分类模型项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

Python实现BP神经网络ANN单隐层分类模型项目实战_第1张图片

Python实现BP神经网络ANN单隐层分类模型项目实战_第2张图片

1.项目背景

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。

BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或(Exclusive OR,XOR)和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。

本项目通过BP神经网络ANN单隐层来搭建分类模型,通过对人群的判断从而达到降本增效的目的。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:

 Python实现BP神经网络ANN单隐层分类模型项目实战_第3张图片

数据详情如下(部分展示):

Python实现BP神经网络ANN单隐层分类模型项目实战_第4张图片

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据:

Python实现BP神经网络ANN单隐层分类模型项目实战_第5张图片

 关键代码:

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息:

Python实现BP神经网络ANN单隐层分类模型项目实战_第6张图片

从上图可以看到,总共有9个变量,数据中无缺失值,共1000条数据。

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

Python实现BP神经网络ANN单隐层分类模型项目实战_第7张图片

 关键代码如下:

4.探索性数据分析

4.1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图:

Python实现BP神经网络ANN单隐层分类模型项目实战_第8张图片

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图:

Python实现BP神经网络ANN单隐层分类模型项目实战_第9张图片

 4.3 相关性分析

Python实现BP神经网络ANN单隐层分类模型项目实战_第10张图片

从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下:

Python实现BP神经网络ANN单隐层分类模型项目实战_第11张图片

Python实现BP神经网络ANN单隐层分类模型项目实战_第12张图片

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:

6.构建BP神经网络分类模型

主要使Dense全连接层网络,用于目标分类。

6.1 模型构建

Python实现BP神经网络ANN单隐层分类模型项目实战_第13张图片

6.2 神经网络的结构信息

Python实现BP神经网络ANN单隐层分类模型项目实战_第14张图片

 Python实现BP神经网络ANN单隐层分类模型项目实战_第15张图片

通过上图可以看到,神经网络总共有3层,输入层、一个隐藏层、输出层,其中训练的参数为721个。

6.3 神经网络的迭代信息

Python实现BP神经网络ANN单隐层分类模型项目实战_第16张图片

通过上图可以看到,神经网络每次迭代训练集和验证集的损失值、准确率。

6.4 训练集和验证集损失与准确率迭代图

Python实现BP神经网络ANN单隐层分类模型项目实战_第17张图片

通过上图可以看到,随着迭代次数的增加,训练集和验证集损失逐渐减少,准确率增减增加。

7. 模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率(召回率)、F1分值等等。

 Python实现BP神经网络ANN单隐层分类模型项目实战_第18张图片

通过上表可以看到,模型的准确率为96%,F1分值为0.9588,模型效果良好。

7.2 分类报告

Python实现BP神经网络ANN单隐层分类模型项目实战_第19张图片

从上图可以看出,分类为0的F1分值为0.96;分类为1的F1分值为0.96。

7.3 混淆矩阵

Python实现BP神经网络ANN单隐层分类模型项目实战_第20张图片

从上图可以看出,实际为0预测不为0的 有8个样本;实际为1 预测不为1的  有2个样本。

8.结论与展望

综上所述,本文采用了BP神经网络ANN单隐层算法搭建了分类模型并对模型进行了评估,最终证明了我们提出的模型效果良好。 

本次机器学习项目实战所需的资料,项目资源如下:

项目说明:
链接:https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码:bcbp

你可能感兴趣的:(机器学习,python,python,BP神经网络,ANN人工神经网络,单隐层分类模型)