机器学习入门-神经网络模型

1.模型的构建

1.1数据准备

首先在构建模型前，我们需要准备训练数据和测试数据。

import pandas as pd
from random import shuffle
datafile='../model.xls'

#读入数据
data=pd.read_excel(datafile)
data=np.matrix(data)
#将数据的顺序打乱
shuffle(data)

#取80%的数据作为训练数据，20%的数据作为测试数据
p=0.8
train=data[:int(len(data)*p),:]
test=data[int(len(data)*p):,:]

1.2构建LM神经网络模型

此处书中的代码存在一些问题，我已经进行了修正，下列代码可直接运行。

# 导入神经网络初始化函数
from keras.models import Sequential
# 导入神经网络层函数，激活函数
from keras.layers.core import Dense,Activation

netfile='../net.model'

#初始化
#建立神经网络
net=Sequential()
#添加输入层链接
net.add(Dense(input_dim=3,output_dim=10))
#隐藏层使用激活函数relu
net.add(Activation('relu'))
#添加输出层链接
net.add(Dense(input_dim=10,output_dim=1))
#输出层使用sigmoid函数
net.add(Activation('sigmoid'))
#编译模型
net.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

#训练模型
net.fit(train[:,:3],train[:,3],nb_epoch=1000,batch_size=1)
net.save_weights(netfile)

#预测结果
predict_result=net.predict_classes(train[:,:3]).reshape(len(train))

1.3混淆矩阵可视化

def cm_plot(y, yp):
  
  from sklearn.metrics import confusion_matrix #导入混淆矩阵函数

  cm = confusion_matrix(y, yp) #混淆矩阵
  
  import matplotlib.pyplot as plt #导入作图库
  plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
  plt.colorbar() #颜色标签
  
  for x in range(len(cm)): #数据标签
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  
  plt.ylabel('True label') #坐标轴标签
  plt.xlabel('Predicted label') #坐标轴标签
  return plt

1.4调用混淆矩阵函数

cm_plot(train[:,3],predict_result).show()

1.5结果

混淆矩阵调用结果如下图。