神经网络构建
import pandas as pd
import numpy as np
import datetime
import matplotlib.pyplot as plt
from pandas.plotting import radviz
'''
构建一个具有1个隐藏层的神经网络,隐层的大小为10
输入为6个特征,输出层有一个神经元
输出层大于0.5时代表是一个好瓜,小于0.5代表是一个坏瓜
'''
# 1.初始化模型参数
def initialize_parameters(n_x, n_h, n_y):
np.random.seed(2)
# 权重和偏置矩阵
w1 = np.random.randn(n_h, n_x) * 0.01
b1 = np.zeros(shape=(n_h, 1))
w2 = np.random.randn(n_y, n_h) * 0.01
b2 = np.zeros(shape=(n_y, 1))
# 通过字典存储参数
parameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}
return parameters
# 2.前向传播
def forward_propagation(X, parameters):
w1 = parameters['w1']
b1 = parameters['b1']
w2 = parameters['w2']
b2 = parameters['b2']
# 通过前向传播来计算a2
z1 = np.dot(w1, X) + b1 # w1*x+b1 这个地方需注意矩阵加法:虽然(w1*X)和b1的维度不同,但可以相加
a1 = np.tanh(z1) # 使用tanh作为第一层的激活函数
z2 = np.dot(w2, a1) + b2 # w2*x+b2
a2 = 1 / (1 + np.exp(-z2)) # 使用sigmoid作为第二层的激活函数
# 通过字典存储参数
cache = {'z1': z1, 'a1': a1, 'z2': z2, 'a2': a2}
return a2, cache
# 3.计算代价函数
def compute_cost(a2, Y, parameters):
m = Y.shape[1] # Y的列数即为总的样本数
# 采用交叉熵(cross-entropy)作为代价函数
logprobs = np.multiply(np.log(a2), Y) + np.multiply((1 - Y), np.log(1 - a2))
cost = - np.sum(logprobs) / m
return cost
# 4.反向传播(计算代价函数的导数)
def backward_propagation(parameters, cache, X, Y):
m = Y.shape[1]
w2 = parameters['w2']
a1 = cache['a1']
a2 = cache['a2']
# 反向传播,计算dw1、db1、dw2、db2
dz2 = a2 - Y # 误差求导结果
dw2 = (1 / m) * np.dot(dz2, a1.T) # 计算出第二层的梯度
db2 = (1 / m) * np.sum(dz2, axis=1, keepdims=True)
dz1 = np.multiply(np.dot(w2.T, dz2), 1 - np.power(a1, 2))
dw1 = (1 / m) * np.dot(dz1, X.T) #计算出第一层的梯度
db1 = (1 / m) * np.sum(dz1, axis=1, keepdims=True)
grads = {'dw1': dw1, 'db1': db1, 'dw2': dw2, 'db2': db2}
return grads
# 5.更新参数
def update_parameters(parameters, grads, learning_rate=0.05):
# 获取当前参数
w1 = parameters['w1']
b1 = parameters['b1']
w2 = parameters['w2']
b2 = parameters['b2']
# 获取梯度
dw1 = grads['dw1']
db1 = grads['db1']
dw2 = grads['dw2']
db2 = grads['db2']
# 更新参数,根据参数更新公式w=w - α*learning_rate 进行
w1 = w1 - dw1 * learning_rate
b1 = b1 - db1 * learning_rate
w2 = w2 - dw2 * learning_rate
b2 = b2 - db2 * learning_rate
# 更新存储后的参数
parameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}
return parameters
# 6.模型评估
def predict(parameters, x_test, y_test):
#得到训练好后的模型参数
w1 = parameters['w1']
b1 = parameters['b1']
w2 = parameters['w2']
b2 = parameters['b2']
z1 = np.dot(w1, x_test) + b1
a1 = np.tanh(z1)
z2 = np.dot(w2, a1) + b2
a2 = 1 / (1 + np.exp(-z2))
# 结果的维度
n_rows = y_test.shape[0]
n_cols = y_test.shape[1]
# 判断模型的预测值并存储结果
output = np.empty(shape=(n_rows, n_cols), dtype=int)
print((a2))
for i in range(n_rows):
for j in range(n_cols):
if a2[i][j] > 0.5: # 预测值大于0.5时判断为一个好瓜,记录为1
output[i][j] = 1
else:
output[i][j] = 0 # 预测值大小于0.5时判断为一个坏瓜,记录为0
print('预测结果:')
print(output)
print('真实结果:')
print(y_test)
count = 0
# 统计好瓜坏瓜的数量
for k in range(0, n_cols):
if output[0][k] == y_test[0][k] :
count = count + 1
else:
print(k)
# 计算准确率
acc = count / int(y_test.shape[1]) * 100
print('准确率:%.2f%%' % acc)
return output
# 建立神经网络
def nn_model(X, Y, n_h, n_input, n_output, num_iterations=1000, print_cost=False):
np.random.seed(3)
n_x = n_input # 输入层节点数
n_y = n_output # 输出层节点数
# 1.初始化参数
parameters = initialize_parameters(n_x, n_h, n_y)
# 梯度下降循环,执行1000次迭代训练
for i in range(0, num_iterations):
# 2.前向传播
a2, cache = forward_propagation(X, parameters)
# 3.计算代价函数
cost = compute_cost(a2, Y, parameters)
# 4.反向传播
grads = backward_propagation(parameters, cache, X, Y)
# 5.更新参数
parameters = update_parameters(parameters, grads)
# 每10次迭代,输出一次代价函数
if print_cost and i % 100 == 0:
print('迭代第%i次,代价函数为:%f' % (i, cost))
return parameters
if __name__ == "__main__":
# 读取训练集
data_set = pd.read_csv('melon_train.csv', header=None)
# 对数据进行切分
X = data_set.iloc[:, 1:7].values.T # 第1至第七列是特征,T表示转置
Y = data_set.iloc[:, 7:].values.T # 最后一列是分类标签
Y = Y.astype('uint8')
# 开始训练
start_time = datetime.datetime.now()
# 输入6个节点,隐层10个节点,输出1个节点,迭代100次,并得到模型的最终参数存储在parameters中
parameters = nn_model(X, Y, n_h=10, n_input=6, n_output=1, num_iterations=1000, print_cost=True)
end_time = datetime.datetime.now()
print("用时:" + str((end_time - start_time).seconds) + 's' + str(round((end_time - start_time).microseconds / 1000)) + 'ms')
# 同理读入测试数据集
data_test = pd.read_csv('melon_test.csv', header=None)
x_test = data_test.iloc[:, 1:7].values.T
y_test = data_test.iloc[:, 7:].values.T
y_test = y_test.astype('uint8')
#测试函数
result = predict(parameters, x_test, y_test)
处理数据集
# 导入包
import pandas as pd
from sklearn import tree
import graphviz
import numpy as np
if __name__=='__main__':
df = pd.read_csv('melon.txt')
df.head(10)
df['色泽'] = df['色泽'].map({'浅白': 1, '青绿': 2, '乌黑': 3})
df['根蒂'] = df['根蒂'].map({'稍蜷': 1, '蜷缩': 2, '硬挺': 3})
df['敲声'] = df['敲声'].map({'清脆': 1, '浊响': 2, '沉闷': 3})
df['纹理'] = df['纹理'].map({'清晰': 1, '稍糊': 2, '模糊': 3})
df['脐部'] = df['脐部'].map({'平坦': 1, '稍凹': 2, '凹陷': 3})
df['触感'] = np.where(df['触感'] == "硬滑", 1, 2)
df['好瓜'] = np.where(df['好瓜'] == "是", 1, 0)
x_train = df[['色泽', '根蒂', '敲声', '纹理', '脐部', '触感']]
y_train = df['好瓜']
df.to_csv('melon_train.csv')