使用深度神经网络完成对鸢尾花的分类

迷南。 2022-04-15 06:14 448阅读 0赞

#### 1.首先导入鸢尾花的数据 ####

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    dataset = pd.read_csv('Iris.csv')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70]

#### 2.使用seaborn对数据进行观察 ####

import seaborn as sns
    sns.pairplot(dataset.iloc[:, 1:6], hue='Species')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 1]

#### 3.生成测试数据 ####

将前4列与第5列分别抽离成np array

X = dataset.iloc[:, 1:5].values
    y = dataset.iloc[:,5].values

此时X是这样  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 2]  
但是y还是字符串  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 3]  
所以我们要将y字符串数组转换成整数数组，在这里我们可以使用sklearn的LabelEncoder库

from sklearn.preprocessing import LabelEncoder
    encoder = LabelEncoder()
    y1 = encoder.fit_transform(y)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 4]  
最后将y1转成神经网络需要的数组结构

Y = pd.get_dummies(y1).values

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 5]

#### 4.将训练数据与测试数据做分割 ####

from sklearn.model_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

#### 5.创建神经网络模型 ####

使用Sequential创建神经网络模型  
模型一共4层  
损失函数使用‘categorical\_crossentropy’（比较适用于3种以上的分类的情况）  
指定 metrics=\[‘accuracy’\]，会在训练结束后计算训练数据在模型上的准确率

from keras.models import Sequential
    from keras.layers import Dense
    from keras.optimizers import Adam
    
    model = Sequential()
    model.add(Dense(10, input_shape=(4,), activation='relu'))
    model.add(Dense(8, activation='relu'))
    model.add(Dense(6, activation='relu'))
    model.add(Dense(3, activation='softmax'))
    
    model.compile(Adam(lr=0.04), 'categorical_crossentropy', metrics=['accuracy'])
    model.summary()

#### 6.训练模型 ####

指定epochs=100，训练数据会在模型中训练100次

model.fit(X_train, y_train, epochs=100)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 6]

#### 7.使用模型进行预测 ####

y_pred = model.predict(X_test)

打印结果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 7]  
浮点类型的数据不方便理解，所以使用np.argmax将数据转为整数数组

y_pred_class = np.argmax(y_pred, axis=1)  //其实就是记录每个数组中值最大的数的index

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 8]  
以上就是得到预测数据的全过程，当然最后我们还是需要一个更直观的方式来评估模型准确率

#### 6.模型评估 ####

from sklearn.metrics import classification_report
    report = classification_report(y_test_class, y_pred_class)
    print(report)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 9]  
precision表示测试的数据是否都预测准确  
recall表示需要查的数据是否都查到了  
f1=2\*(precision\*recall)/(precision+recall)  
support表示测试数据中属于各个分类的测试数据各有多少个  
由此可观察到，此时测试数据在模型上的准确率达到了100%

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70]: /images/20220415/1cb780b0404d44599f67b896cfd50d00.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 1]: /images/20220415/a4208e3886934b3a97a4b1599fcc017f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 2]: /images/20220415/1f549e90be29407e90575f580d10e88d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 3]: /images/20220415/7b5241108f9b4c3085b75c33e332cdc9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 4]: /images/20220415/56c22672813f4887b0aa32d9dbe0f5a7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 5]: /images/20220415/d1a3428c59284f9eab252a8924d89ffb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 6]: /images/20220415/25ab50ca53164f5aafb2624cf69ffd69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 7]: /images/20220415/12b36074c9a14ff08dbbaa4f6188588c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 8]: /images/20220415/7bc5c357e20c43d09e95c4f3e83dff52.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70 9]: /images/20220415/5cf894384d434f3a891eaf5f3a602496.png