Python实现BP神经网络ANN单隐层分类模型项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。

BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。

本项目通过BP神经网络ANN单隐层来搭建分类模型，通过对人群的判断从而达到降本增效的目的。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

 

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

 关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有9个变量，数据中无缺失值，共1000条数据。

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

 关键代码如下：

4.探索性数据分析

4.1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

 4.3 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建BP神经网络分类模型

主要使Dense全连接层网络，用于目标分类。

6.1 模型构建

6.2 神经网络的结构信息

 

通过上图可以看到，神经网络总共有3层，输入层、一个隐藏层、输出层，其中训练的参数为721个。

6.3 神经网络的迭代信息

通过上图可以看到，神经网络每次迭代训练集和验证集的损失值、准确率。

6.4 训练集和验证集损失与准确率迭代图

通过上图可以看到，随着迭代次数的增加，训练集和验证集损失逐渐减少，准确率增减增加。

7. 模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率(召回率)、F1分值等等。

 

通过上表可以看到，模型的准确率为96%,F1分值为0.9588，模型效果良好。

7.2 分类报告

从上图可以看出，分类为0的F1分值为0.96；分类为1的F1分值为0.96。

7.3 混淆矩阵

从上图可以看出，实际为0预测不为0的 有8个样本；实际为1 预测不为1的  有2个样本。

8.结论与展望

综上所述，本文采用了BP神经网络ANN单隐层算法搭建了分类模型并对模型进行了评估，最终证明了我们提出的模型效果良好。 

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：

# 链接：https://pan.baidu.com/s/1AHBPKVWb4SyNMejt71UfPg 
# 提取码：mg9y

# 用Pandas工具查看数据
print(data.head())

# 数据缺失值统计
print('****************************************')
print(data.info())

# 数据描述性统计分析
print('****************************************')
print(data.describe().round(4))  # 保留4位小数点

import matplotlib.pyplot as plt  # 导入matplotlib画图工具箱

#  y变量柱状图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
data['y'].value_counts().plot(kind='bar')
plt.xlabel("y变量")
plt.ylabel("数量")
plt.title('y变量柱状图')
plt.show()