深度学习03-keras实例介绍iris数据集+sklearn对比+模型结果分析

最新推荐文章于 2023-04-09 20:42:49 发布
最新推荐文章于 2023-04-09 20:42:49 发布
阅读量1.1k 收藏 7
点赞数
分类专栏： 案例分享 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42871249/article/details/104456690
版权
该博客介绍了如何使用Keras处理iris数据集，并与sklearn进行对比。首先，数据经过导入和标准化处理。接着，用sklearn拟合模型，得到高精度的0.9933。然后转向Keras，数据转换为哑变量，构建顺序模型，包括输入层、隐藏层和输出层。模型训练并进行预测，结果显示在测试集上的性能。此外，还展示了模型结构的可视化，并利用EarlyStopping实现训练过程的适时终止。
摘要由CSDN通过智能技术生成

数据准备

导入数据

from sklearn import datasets
iris = datasets.load_iris()
type(iris)
iris.data#四个自变量
iris.target#目标变量

在这里插入图片描述
在这里插入图片描述

对变量进行标准化

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
irisZX = StandardScaler().fit_transform(iris.data)

在这里插入图片描述

使用sklearn拟合

#MLPClassifier默认为shuffle=True 因此不需要事先打乱数据的顺序
from sklearn.neural_network import MLPClassifier
clf = MLPClassifier(activation = 'logistic',hidden_layer_sizes =
最低0.47元/天 解锁文章
@Irene
关注
专栏目录
【深度学习模型的训练与评估】一个实例：Iris多分类
李响
04-30 658
文章目录： 1 评估深度学习模型 1.1 自动评估 1.2 手动评估 1.3 k折交叉验证 2 在Keras中使用Sklearn 3 深度学习模型调参数 4 Iris多分类 4.1 数据集分析 4.2 代码 1 评估深度学习模型 1.1 自动评估 在Keras中设置验证集大小实现。 #训练模型并自动评估模型 model . fit(x=x , y=Y , epochs=l50 , batch_ size=lO , validation_split=0.2) 1.2 手动评估 x train,
深度学习04-keras实例iris数据集+模型保存调用及修改+在sklearn框架内使用Keras模型+交叉验证
qq_42871249的博客
02-23 1066
此篇代码接着上一篇，这里查看https://blog.csdn.net/qq_42871249/article/details/104456690 模型的保存与载入 先将模型保存的函数调出来，存贮为checkpoint from keras.callbacks import ModelCheckpoint checkpoint = ModelCheckpoint(filepath = r'F:\...
深度学习 Keras Iris数据集神经网络训练
devilangel2的博客
02-12 1737
import numpy as np import pandas as pd from keras.models import Sequential from keras.layers import Dense ##基础神经网络，密度大 from keras.wrappers.scikit_learn import KerasClassifier from keras.utils import ...
基于Keras Sequential模型的iris实例
邱邱邱的博客
02-21 1133
文章目录一、导入数据二、预处理三、建立网络并训练模型四、模型评估以及效果评价五、模型的预测六、模型拟合过程的可视化 一、导入数据 以iris数据集为例，导入并切分数据。 # 导入数据并拆分数据 from sklearn import datasets from sklearn.model_selection import train_test_split iris = datasets.load...
Python Keras神经网络实现iris鸢尾花分类预测
最新发布
programmer589的博客
04-09 1898
Python Keras神经网络实现iris鸢尾花分类预测
使用sklearn简单粗暴对iris数据做分类
weixin_30437337的博客
10-06 116
注：1、每一个模型都没有做数据处理 2、调用方式都是一样的»»» 引入model→fit数据→ predict，后面只记录导入模型语句。 导入数据： from sklearn import datasets iris = datasets.load_iris() print "The iris' target names: ",iris.target_names ...
机器学习与深度学习对鸢尾花数据集分类对比
zilan100的博客
03-09 724
基于鸢尾花数据集的机器学习与深度学习分类对比
深度学习：卷积神经网络(基础知识+iris实现）
ThinkingOutLoud的博客
05-22 2447
链接: 1. 卷积神经网络详细介绍 2. 手写数字识别 卷积的实现： 原像素（由三个矩阵RGB通道构成的，元素均取值0-255）通过与卷积核进行对应位置相乘后相加的运算，形成新的卷积层 卷积价值： 通过使用多个卷积核，可以自动生成多种新特征（第一层卷积层可能智能提取一些低级的特征如边缘、线条和角） 通过使用多个卷几层，已生成的特征可以进行更复杂的排列组合，生成更深层次的特征。 卷积运算的重要特点：通过卷积运算，可以使原信号特征增强，并且降低噪音。 之前图像处理的缺陷及应对： 相对于之前的BP神
基于sklearn的决策树模型——以iris数据集为例
m0_61789994的博客
01-27 745
数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾）。Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。
java 神经网络iris_第三讲 神经网络八股--用keras分类iris
weixin_35949153的博客
03-05 130
1 import tensorflow as tf2 from sklearn import datasets3 import numpy as np456 x_train = datasets.load_iris().data7 y_train = datasets.load_iris().target8910 np.random.seed(116)11 np.random.shuffle(x_...
阿里云天池机器学习训练营（Day1打卡）：基于逻辑回归的分类预测
weixin_41855010的博客
11-04 989
一、学习内容概括 二、具体学习内容 1.逻辑回归的介绍和应用 1.1 逻辑回归的介绍 逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣势: 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低； 缺点：
机器学习篇：LibSVM训练模型简单测试iris数据集
weixin_41297324的博客
11-01 4981
在下载好libsvm后，它自带了一个heart_scale可以用来测试，今天我用UCI的iris数据集简单测试了SVM。 iris数据集共150个样本，我采用了100个作为训练样本，50个作为测试样本，以 iris_train.scale作为训练数据和以iris_test.scale作为测试数据，同时修改好将 python的路径，并将 grid.py 文件中关于 gnuplot 路径的默认值修改...
Python机器学习实验二：2.编写代码，实现对iris数据集的KNN算法分类及预测并改进
于笨笨的博客
03-21 2333
Python机器学习实验二：2.编写代码，实现对iris数据集的KNN算法分类及预测并改进 2、改进模型，要求： （1）数据集划分采用10折交叉验证； （2）寻找最优的n_neighbors值（在5-10之间）； （3）使用新的模型预测未知种类的鸢尾花。 待预测未知数据： X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]] 点个👍吧 #引入十折交叉验证算法 import numpy as np from sklearn.model_selection im
机器学习算法（一）: 基于逻辑回归的分类预测
handsomeandge的博客
12-22 1256
这里先给出阿里云机器学习训练营地址：阿里云机器学习训练营，可以将其代码下载进行学习或者参加最后一个任务的比赛。 1 逻辑回归的介绍和应用 1.1 逻辑回归的介绍 逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣
Tensorflow⑤——用keras搭建神经网络框架
CRW__DREAM的博客
10-19 881
六步法，用keras搭建神经网络框架
Tensorflow2.0: tf.Keras之简单卷积神经网络模型构建
weixin_42253874的博客
08-19 1081
先介绍训练所使用的数据集iris 鸢尾花数据集（iris)是常用的分类实验数据集，有Fisher与1936年收集整理。iris包含150条数据，3个类别（Setosa,Versicolour,Virginica)，每类50条数据，每条数据包含4个数值属性（花萼长度，花萼宽度，花瓣长度，花瓣宽度）。 从sklearn数据库可导入iris数据集： from sklearn.datasets import load_iris data = load_iris() data是Bunch类型的参数，Bu.
KerasClassifier与KerasRegressior简单使用（利用iris数据集与Boston数据集）
weixin_42196948的博客
03-16 7190
以下代码使用KerasClassifier构建简单神经网络，对iris多分类问题进行训练，最后加入10折交叉验证，对模型准确率和方差进行计算。 from sklearn import datasets import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.wrappers.scikit_learn import KerasClassifier from skle..
机器学习——模型评估、样本分组、性能度量（Iris数据集）
Je_san的博客
03-29 2409
机器学习——Iris数据集一、样本分组1.留出法2.交叉验证法3.自助法二、性能度量1.错误率与精度2.查准率、查全率与F1总结 第三周的理论课课后作业，对模型进行评估 对Iris数据集，分别采用SVM算法的线性核、高斯核函数，数据集划分方法分别采用留出法、10折交叉验证法、自助法（可选），性能度量分别采用计算错误率、精度、第一类的查准率和查全率、F1、ROC绘制（可选）进行实验。以表格形式呈现结果，并适当进行分析讨论。（参考网址：https://www.cnblogs.com/luyaoblog/p/67
【数据挖掘】分类器模型性能评估讲解及iris数据集评估实战（超详细 附源码）
showswoller的博客
01-09 1012
【数据挖掘】分类器模型性能评估讲解及iris数据集评估实战（超详细 附源码）
深度学习vit-keras模型库版本0.0.12发布
2. 使用文档：介绍如何使用该软件包中的ViT模型进行图像识别、分类等深度学习任务。 3. 示例代码：提供一些基础的代码示例，方便用户快速上手并运行模型，进行学习或实际项目开发。 4. API文档：对软件包中定义的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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