鸢尾花的数据分析（使用tf.leras）

1.相关库的导入

#绘图
import seaborn as sns
import pandas as pd
#数值计算
import numpy as np
#sklearn中相关工具
#划分训练集和数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
#逻辑回归
from sklearn.linear_model import LogisticRegressionCV
#tf.keras中使用的相关工具
#用于模型搭建
from tensorflow.keras.models import Sequential
#构建模型的层和激活方法
from tensorflow.keras.layers import Dense,Activation
#数据处理和辅助工具
from tensorflow.keras import utils

 2.数据处理

#读取数据
iris=load_iris()
x=iris.data
y=iris.target
#将iris转换为dataframe数据
df=pd.DataFrame(x,columns=iris.feature_names)
df['species']=iris.target_names[y]
#将数据之间关系进行可视化
sns.pairplot(df,hue='species')

#将数据集划分为训练集和测试集
train_x,test_x,train_y,test_y=train_test_split(x,y,train_size=0.8,random_state=2)

3.将数据进行热编码

#使用tf.keras实现
#进行热编码
def one_hot_encode_object_array(arr):
    #去重获取全部类别
    uniques,ids=np.unique(arr,return_inverse=True)
    #返回热编码的结果
    return utils.to_categorical(ids,len(uniques))
#训练集热编码
train_y_che=one_hot_encode_object_array(train_y)
#测试集热编码
test_y_che=one_hot_encode_object_array(test_y) 

4.搭建网络模型

#利用sequential方式构建模型
model=Sequential([
    #隐藏层:激活函数是relu，输入大小为input_shape指定
    Dense(10,activation='relu',input_shape=(4,)),
    #隐藏层2,激活函数是relu
    Dense(10,activation='relu'), 
    #输出层
    Dense(3,activation='softmax')
])

 #通过madel.summary查看模型架构
model.summary() 

5.模型的训练,预测和评估

#设置模型相关参数,优化器，损失函数和评价指标
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
#类型转换
train_x=np.array(train_x,dtype=np.float32)
test_x=np.array(test_x,dtype=np.float32)
#模型训练
model.fit(train_x,train_y_che,epochs=50,batch_size=1,verbose=1)
 #模型评估
loss,accuracy=model.evaluate(test_x,test_y_che,verbose=1)

 

6.完整版代码

#绘图
import seaborn as sns
import pandas as pd
#数值计算
import numpy as np
#sklearn中相关工具
#划分训练集和数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
#逻辑回归
from sklearn.linear_model import LogisticRegressionCV
#tf.keras中使用的相关工具
#用于模型搭建
from tensorflow.keras.models import Sequential
#构建模型的层和激活方法
from tensorflow.keras.layers import Dense,Activation
#数据处理和辅助工具
from tensorflow.keras import utils

#读取数据
iris=load_iris()
x=iris.data
y=iris.target
#将iris转换为dataframe数据
df=pd.DataFrame(x,columns=iris.feature_names)
df['species']=iris.target_names[y]
#将数据之间关系进行可视化
sns.pairplot(df,hue='species')

#将数据集划分为训练集和测试集
train_x,test_x,train_y,test_y=train_test_split(x,y,train_size=0.8,random_state=2)

#使用tf.keras实现
#进行热编码
def one_hot_encode_object_array(arr):
    #去重获取全部类别
    uniques,ids=np.unique(arr,return_inverse=True)
    #返回热编码的结果
    return utils.to_categorical(ids,len(uniques))
#训练集热编码
train_y_che=one_hot_encode_object_array(train_y)
#测试集热编码
test_y_che=one_hot_encode_object_array(test_y)

#利用sequential方式构建模型
model=Sequential([
    #隐藏层:激活函数是relu，输入大小为input_shape指定
    Dense(10,activation='relu',input_shape=(4,)),
    #隐藏层2,激活函数是relu
    Dense(10,activation='relu'), 
    #输出层
    Dense(3,activation='softmax')
])

 #通过madel.summary查看模型架构
model.summary()

#设置模型相关参数,优化器，损失函数和评价指标
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
#类型转换
train_x=np.array(train_x,dtype=np.float32)
test_x=np.array(test_x,dtype=np.float32)
#模型训练
model.fit(train_x,train_y_che,epochs=50,batch_size=1,verbose=1)

#模型评估
loss,accuracy=model.evaluate(test_x,test_y_che,verbose=1)