Python深度学习实战:声呐返回值分类

Python深度学习实战:声呐返回值分类

  • 声呐物体分类数据
  • 简单的神经网络
  • 预处理数据以增加性能
  • 调整模型的拓扑和神经元
  • 缩小网络
  • 扩大网络
  • 总结

本章我们使用Keras开发一个二分类网络。本章包括:

  • 将数据导入Keras
  • 为表格数据定义并训练模型
  • 在未知数据上测试Keras模型的性能
  • 处理数据以提高准确率
  • 调整Keras模型的拓扑和配置

声呐物体分类数据

本章使用声呐数据,包括声呐在不同物体的返回。数据有60个变量,代表不同角度的返回值。目标是将石头和金属筒(矿石)分开。

所有的数据都是连续的,从0到1;输出变量中M代表矿石,R代表石头,需要转换为1和0。数据集有208条数据,在本书的data目录下,也可以自行下载,重命名为sonar.csv。

此数据集可以作为性能测试标准:我们知道什么程度的准确率代表模型是优秀的。交叉检验后,一般的网络可以达到84%的准确率,最高可以达到88%。关于数据集详情,请到UCI机器学习网站查看。

简单的神经网络

先创建一个简单的神经网络试试看。导入所有的库和函数:

 
 

你可能感兴趣的:(python,深度学习)