菜鷄日記——《Python数据分析与挖掘实战》实验6-2 LM神经网络和CART决策树构建分类模型

最新推荐文章于 2023-02-13 16:16:12 发布

Wyatt6

最新推荐文章于 2023-02-13 16:16:12 发布

阅读量2.3k

点赞数 2

分类专栏：数据挖掘 Python 文章标签： LM神经网络 CART决策树分类模型

本文链接：https://blog.csdn.net/Wyatt__Liu/article/details/83149249

版权

本文介绍了使用LM神经网络和CART决策树构建分类模型的过程，涉及数据划分、模型构建和评价。通过混淆矩阵和ROC曲线评估了模型性能，LM神经网络和CART决策树的分类正确率分别为93.0%和93.5%。

摘要由CSDN通过智能技术生成

实验6-2 LM神经网络和CART决策树构建分类模型

题目描述：在model.xls中给出窃漏电业务场景的专家样本，分别使用LM神经网络和CART决策树构建分类预测模型，利用混淆矩阵和ROC曲线对模型进行评价。

model.xls部分数据示例

一、数据划分

通常将专家样本数据按2-8分成测试数据和训练数据，训练数据提供给相应的算法训练并构建模型，测试数据用于对所构建的模型进行测试评价，以评判所构建模型的性能、可信度。

# data separation, train data (80%) and test data (20%)
from random import shuffle


data = data.values      # a numpy.ndarray object, who stores values but ignore the header and index of a DataFrame object
shuffle(data)   # method shuffle(obj) resort data in obj in a random order
train = data[:int(len(data)*0.8), :]
test = data[int(len(data)*0.8):, :]     # object data in this two lines is a 2d ndarray object

二、LM神经网络构建分类模型

构建一个输入层有3个节点（3个特征值），隐藏层有10个节点（根据经验设计），输出层有1个节点的神经网络，隐藏层使用relu激活函数，输出层使用sigmoid激活函数。编译模型指定求解方法为adam，损失函数为binary_crossentropy。再在fit()方法中利用训练数据训练模型，设定1000次训练，变化梯度为1。训练完成后使用测试数据对模型进行评测。

# LM neural network model
from keras.models import Sequential
from keras.layers.core import Dense, Activation


net = Sequential()
net.add(Dense(input_dim=3, output_dim