鸢尾花数据集

1. 导包：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

输出结果：

2.将数据集划分为训练集和测试集：

x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.2,random_state=23)

输出结果：

3. 进一步将原始的训练集划分为训练集和验证集：

X_train,X_valid,y_train,y_valid=train_test_split(x_train,y_train,test_size=0.2,random_state=12)

输出结果：

4.输出验证集和训练集的形状：

print(X_valid.shape)

print(X_train.shape)

输出结果：

5. 添加Dropout层来减少过拟合：

import tensorflow as tf

from tensorflow import keras

model = keras.models.Sequential([

    keras.layers.Flatten(input_shape=[4]),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dense(16, activation="relu"),

    keras.layers.Dropout(rate=0.2),

    keras.layers.Dense(3, activation="softmax")

])

输出结果：

6. 打印出模型的概述：

model.summary()

输出结果：

7.  

8. 训练模型：

model.compile(loss="sparse_categorical_crossentropy",

             optimizer="sgd",metrics=["accuracy"])



h=model.fit(X_train,y_train,batch_size=10,epochs=50,validation_data=(X_valid,y_valid))

输出结果：

9. 模型训练过程中的历史记录：

pd.DataFrame(h.history)

输出结果：

10. 画图：

pd.DataFrame(h.history).plot(figsize=(8,5))

plt.grid(True)

plt.gca().set_ylim(0,1)

plt.show()

输出结果：

11. 验证集训练的准确率：

model.evaluate(x_test,y_test,batch_size=1)

输出结果：