【神经网络模型】

代码的搬运工_XXMN

已于 2022-06-10 22:31:25 修改

阅读量284

点赞数 2

文章标签： python 大数据

于 2022-06-03 21:10:22 首次发布

本文链接：https://blog.csdn.net/m0_53662095/article/details/125115985

版权

工神经网络（Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或类神经网络，是一种模仿生物神经网络的结构和功能的数学模型，用于对函数进行估计或近似。

文章目录

前言
一、需要库的介绍
二、使用步骤
- 1.导入数据，并将数据分为训练集和测试集
- 2.读入数据
总结

导入所需要的库

pandas：pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

Sklean:是针对Python编程语言的免费软件机器学习库。sklearn又称Scikit-learn，是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归、降维、分类、聚类等方法。是一项简单高效的数据挖掘和数据分析工具。

import pandas as pd
import numpy as np
from sklearn import model_selection
from sklearn import metrics
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve

导入数据，并将数据分为训练集和测试集

数据集拆分，分为训练集、验证集和测试集。首先把所有数据集拆分为90%训练集和10%测试集；然后接着把90%的训练集再拆分为80%训练集和20%验证集。关键代码如下：


# 参数初始化
df=pd.read_excel('D:\数据挖掘\财务项目\规范化.xlsx')
x=df.iloc[:11300,[31,34,45,46,52,57,66,83,96,101]]
y=df.iloc[:11300,104]
x_train,x_test,y_train,y_test = model_selection.train_test_split(x,y,test_size = 0.25,random_state =0)

将数据进行训练

from keras.models import Sequential
from keras.layers.core import Dense, Activation
model = Sequential()  # 建立模型
model.add(Dense(input_dim=10, units=10))
model.add(Activation('relu')) # 用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim=10, units=1))
model.add(Activation('sigmoid'))  # 由于是0-1输出，用sigmoid函数作为激活函数

model.compile(loss='binary_crossentropy', optimizer='adam')
# 编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
# 另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
# 求解方法我们指定用adam，还有sgd、rmsprop等可选
model.fit(x_train,y_train, epochs=10, batch_size=10)  # 训练模型，学习一千次

预测并进行分析

# yp = model.predict_classes(x).reshape(len(y))  # 分类预测
predict_x=model.predict(x_test)
yp=np.argmax(predict_x,axis=1)
print(yp)
print(metrics.confusion_matrix(y_test,yp))#查看混淆矩阵
print(metrics.classification_report(y_test,yp))#评估报告

混淆矩阵可视化

from cm_plot import *  # 导入自行编写的混淆矩阵可视化函数
cm_plot(y_test, yp).show()  # 显示混淆矩阵可视化结果

绘制出ROC曲线并计算AUC

#注意到Scikit-Learn使用predict方法直接给出预测结果。
fpr, tpr, thresholds = roc_curve(y_test, model.predict(x_test),pos_label=1)
auc=metrics.roc_auc_score(y_test, model.predict(x_test))
plt.plot(fpr, tpr, linewidth=2,label = 'ROC curve(area=%0.2f)'%auc, color ='green')
plt.plot([0,1],[0,1],color='navy',lw=2,linestyle='--')
plt.xlabel('False Positive Rate')#坐标轴标签
plt.ylabel('True Positive Rate')#坐标轴标签
plt.ylim(0,1.05) #边界范围
plt. xlim(0,1.05) #边界范围
plt. legend(loc=4) #图例
plt. show() #显示作图结果

总结

深度学习作为人工智能最热的研究，正被广泛用于语音、图像、文本的识别并取得了惊人的效果；语音识别作为未来人机接口的主要接口，直接影响着智能系统的用户体验。将两种技术有机结合，一方面语音识别系统收集的大量训练数据有助于训练鲁棒性更强、泛化能力更强的深度网络，另一方面更好更强的深度网络更能有效语音识别系统的识别精度，降低语音识别系统受噪音的影响。。