基于CNN的鸢尾花分类器

基于CNN的鸢尾花分类器

鸢尾花为结构化数据,包括四个特征,三个标签

本次使用CNN来进行分类

 

废话不多说,请看代码

 

#导入所要用到的包

from sklearn import datasets
from keras.layers import *
import keras.backend as K
from keras import Model
from keras.utils import plot_model,to_categorical
import pandas as pd
import numpy as np
from keras.utils import plot_model
from sklearn.utils import shuffle
import matplotlib.pyplot as plt

 

#划分特征和标签

iris = datasets.load_iris()
#iris = np.loadtxt('./iris.csv', delimiter='\t')
X = np.array(iris['data'])
Y = np.array(iris['target'])

fea_cnt = len(X[0]) #特征个数
numb = max(Y)+1 # 分类类别个数

Y = np.array([to_categorical(y,numb,dtype='int32') for y in Y])

 

#构建模型,二维卷积
def build_model(fea_cnt,numb):
    K.clear_session() #清除之前的模型,省得压满内存
    inputs = Input(shape=(fea_cnt,), dtype='float32')
    embds = Dense(64 ,activation='selu')(inputs)
    embds = Reshape((8,8,1))(embds)
    embds = Conv2D(1,(4,4),strides=(1,1),padding="valid")(embds)
    embds = MaxPooling2D(pool_size=(2,2), strides=None, padding='valid')(embds)
    embds = Flatten()(embds)
    embds = Dense(64,activation='selu')(embds)
    embds = Dense(32,activation='selu')(embds)
    outputs = Dense(numb,activation='softmax')(embds)
    
    model = Model(inputs=inputs, outputs=outputs)
    model.compile(loss='categorical_crossentropy', optimizer = 'adam', metrics=['accuracy'])
    #model.summary()
    return model


#数据集划分,20%的数据为测试集

model = build_model(fea_cnt,numb)
X,Y = shuffle(X,Y, random_state=1337) #打乱顺序进行分隔
validation_split=0.2 

train_X = X[:int(len(X)*(1-validation_split))]
train_Y = Y[:int(len(Y)*(1-validation_split))] 
test_X = X[int(len(X)*(1-validation_split)):]
test_Y = Y[int(len(Y)*(1-validation_split)):]

#训练模型
epochs = 12 
batch_size = 4
model.fit(train_X ,train_Y
              ,batch_size = batch_size
              ,epochs = epochs
              ,validation_data= [test_X,test_Y]
        )

plot_model(model, to_file='./model.png',show_shapes=True,dpi=300) #输出框架图
score = model.evaluate(test_X, test_Y)

#打印准确度与损失值

print('Test loss:', score[0])
print('Test accuracy:', score[1])
 

  • 9
    点赞
  • 47
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
以下是使用Python和Scikit-learn库实现CNN鸢尾花分类的代码: ``` # 导入必要的库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelEncoder from keras.models import Sequential from keras.layers import Dense, Conv2D, Flatten from keras.utils import to_categorical # 加载鸢尾花数据集 iris = load_iris() # 将数据集分为输入特征和标签 X = iris.data y = iris.target # 对标签进行编码 encoder = LabelEncoder() y = encoder.fit_transform(y) y = to_categorical(y) # 将数据集拆分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 标准化输入特征 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 转换输入特征的形状以适应CNN模型 X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1, 1) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1, 1) # 构建CNN模型 model = Sequential() model.add(Conv2D(32, kernel_size=(1, 1), activation='relu', input_shape=(X_train.shape[1], 1, 1))) model.add(Conv2D(64, kernel_size=(1, 1), activation='relu')) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dense(3, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit(X_train, y_train, epochs=10, batch_size=1, verbose=1) # 评估模型 score = model.evaluate(X_test, y_test, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` 该程序将鸢尾花数据集拆分为训练集和测试集,对输入特征进行标准化,将输入特征的形状转换为适应CNN模型的形状,并构建了一个包含两个卷积层和两个全连接层的CNN模型。然后使用交叉熵作为损失函数和Adam作为优化编译模型,并在训练集上训练该模型。最后,评估模型在测试集上的性能并输出测试损失和测试准确性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值