python神经网络模型_经过Python和Tensorflow处理的神经网络模型详解

最近在尝试将所有的机器学习与深度学习的模型用Python来实现，大致的学习思路如下：

分类器

回归与预测

时间序列

所有的模型先用 Python语言实现，然后用Tensorflow的实现。

1 数据集

本文开始以UCI中的Iris数据集作为训练数据集和测试时间集。该数据集给出了花萼(sepal)的长度和宽度以及花瓣(petal)的长度和宽度，根据这4个特征训练模型，预测花的类别(Iris Setosa，Iris Versicolour，Iris Virginica)。

# 包引入

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import os

df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)

df.head(10)

1.1 数据处理

我们提取前100个样本(50个Iris Setosa和50个Iris Versicolour)，并将不同的样本类别标注为1(Iris Versicolour)和-1(Iris Setosa)；然后，将花萼的长度和花瓣的长度作为特征。大致处理如下：

y = df.iloc[0:100, 4].values # 预测标签向量

y = np.where(y == 'Iris-setosa', -1, 1)

X = df.iloc[0:100, [0,2]].values # 输入特征向量

# 使用散点图可视化样本

plt.scatter(X[:50, 0], X[:50,1], color='red', marker='o', label='setosa')

plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')

plt.xlabel('petal length')

plt.ylabel('sepal length')

plt.legend(loc='upper left')

plt.show

2 模型

2.1 神经网络模型

2.1.1 模型实现

我们可以将该问题转化为一个二分类的任务，因此，可以将1与-1作为类别标签。从而激活函数可以表示如下:

大致的模型结构如下：

class Perceptron(object):

"""

Parameters

------------

eta : float

学习率 (between 0.0 and 1.0)

n_iter : int

迭代次数

Attributes

-----------

w_ : 1d-array

权重

errors_ : list

误差

"""

def __init__(self, eta=0.01, n_iter=10):

self.eta = eta

self.n_iter = n_iter

def fit(self, X, y):

self.w_ = np.zeros(1 + X.shape[1])

self.errors_ = []

for _ in range(self.n_iter):

errors = 0

for xi, target in zip(X, y):

update = self.eta * (target - self.predict(xi))

self.w_[1:] += update * xi

self.w_[0] += update

errors += int(update != 0.0)

self.errors_.append(errors)

return self

def net_input(self, X):

return np.dot(X, self.w_[1:]) + self.w_[0]

def predict(self, X):

return np.where(self.net_input(X) >= 0.0, 1, -1)

2.1.2 模型训练

ppn = Perceptron(eta=0.1, n_iter=10)

ppn.fit(X, y)

2.1.3 模型验证

误差分析

plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')

plt.xlabel('Epochs')

plt.ylabel('Number of misclassificaTIons')

plt.show()

可视化分类器

from matplotlib.colors import ListedColormap

def plot_decision_regions(X, y, classifier, resoluTIon=0.01):

"""

可视化分类器

:param X: 样本特征向量

:param y: 样本标签向量

:param classifier: 分类器

:param resoluTIon: 残差

:return:

"""

markers = ('s', 'x', 'o', '^', 'v')

colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')

cmap = ListedColormap(colors[:len(np.unique(y))])

x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1

x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1

xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resoluTIon), np.arange(x2_min, x2_max, resolution))

Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)

Z = Z.reshape(xx2.min(), xx2.max())

plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)

plt.xlim(xx1.min(), xx1.max())

plt.ylim(xx2.min(), xx2.max())

for idx, cl in enumerate(np.unique(y)):

plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8, c=cmap(idx), marker=markers[idx], label=cl)

# 调用可视化分类器函数

plot_decision_regions(X, y, classifier=ppn)

plt.xlabel('sepal length [cm]')

plt.ylabel('petal length [cm]')

plt.legend(loc='upper left')

plt.show()