deeplearning.ai——通过单隐藏层的神经网络实现平面数据分类

Planar data classification with one hidden layer

目录

Planar data classification with one hidden layer

1 - Packages

2 - Dataset

3 - Simple Logistic Regression

4 - Neural Network model

4.1 - Defining the neural network structure

4.2 - Initialize the model's parameters

4.3 - The Loop

4.4 - Integrate parts 4.1, 4.2 and 4.3 in nn_model()

4.5 Predictions

4.6 - Tuning hidden layer size (optional/ungraded exercise)

---

这节作业会学到：

• 实现具有单个隐藏层的二分类神经网络
• 使用非线性激活函数，例如tanh
• 计算交叉熵损失
• 实现前向和反向传播

 

1 - Packages

首先，运行下面的单元来导入在这个作业中需要的所有包：

• numpy是使用python进行科学计算的基础包。
• sklearn为数据挖掘和数据分析提供了简单有效的工具。
• Matplotlib是一个用于在Python中绘制图形的库。
• testCases提供了一些测试用例来评估函数的正确性。
• planar_utils提供了本任务中使用的各种有用的函数。

# Package imports
import numpy as np
import matplotlib.pyplot as plt
from testCases import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
from functools import reduce
import operator

%matplotlib inline

np.random.seed(1) # set a seed so that the results are consistent

 

2 - Dataset

首先，获取将要使用的数据集，下面的代码会加载一个“flower”二分类的数据集，并得到变量X和Y。

X, Y = load_planar_dataset() 

利用matplotlib可视化数据，当把标签为0的点涂红，把标签为1的点涂蓝，该数据看起来像一朵花，本任务就是构造一个模型来拟合这个数据。

# Visualize the data:
plt.scatter(X[0, :], X[1, :], c=Y.reshape(-1,), s=40, cmap=plt.cm.Spectral);

拥有的数据：

• 一个numpy数组（矩阵）X，包含了特征（x1, x2）
• 一个numpy数组（向量）Y，包含了标签（red:0, blue:1）

练习：你有多少个训练样本？X和Y的形状是什么样的？

### START CODE HERE ### (≈ 3 lines of code)
shape_X = X.shape
shape_Y = Y.shape
m = shape_X[1]  # training set size
### END CODE HERE ###

print ('The shape of X is: ' + str(shape_X))
print ('The shape of Y is: ' + str(shape_Y))
print ('I have m = %d training examples!' % (m))

The shape of X is: (2, 400)
The shape of Y is: (1, 400)
I have m = 400 training examples!

 

3 - Simple Logistic Regression

在构造一个完整的神经网络之前，我们先来看看逻辑斯蒂回归在这个问题上面表现如何，可以使用sklearn的内置函数来完成。

# Train the logistic regression classifier
clf = sklearn.linear_model.LogisticRegressionCV();
clf.fit(X.T, Y.T.reshape(-1,));

现在可以画出这个模型的决策边界：

# Plot the decision boundary for logistic regression
plot_decision_boundary(lambda x: clf.predict(x), X, Y.reshape(-1,))
plt.title("Logistic Regression")

# Print accuracy
LR_predictions = clf.predict(X.T)
print ('Accuracy of logistic regression: %d ' % float((np.dot(Y,LR_predictions) + np.dot(1-Y,1-LR_predictions))/float(Y.size)*100) +
       '% ' + "(percentage of correctly labelled datapoints)")

Accuracy of logistic regression: 47 % (percentage of correctly labelled datapoints)