Python基于PyTorch实现BP神经网络ANN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

在人工神经网络的发展历史上，感知机(Multilayer Perceptron，MLP)网络曾对人工神经网络的发展发挥了极大的作用，也被认为是一种真正能够使用的人工神经网络模型，它的出现曾掀起了人们研究人工神经元网络的热潮。BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。

本项目通过基于PyTorch实现BP神经网络分类模型。

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10个变量，数据中无缺失值，共2000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

主要使用Linear层网络，用于目标分类。

6.1 模型构建

 

6.2 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的损失值。

6.3 训练集损失迭代图

通过上图可以看到，随着迭代次数的增加，训练集损失逐渐减少。

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87.25%,F1分值为0.873，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0.90；分类为1的F1分值为0.86；分类为2的F1分值为0.85。

7.3 混淆矩阵

从上图可以看出，实际为0预测不为0的 有9个样本；实际为1 预测不为1的， 有21个样本；实际为2 预测不为2的，有21个样本。

8.结论与展望

综上所述，本项目基于PyTorch实现BP神经网络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/1m4zDrTAXM0GJapp_uJHU8g 
# 提取码：3l8h

# 用Pandas工具查看数据
print(df.head())

# 查看数据集摘要
print(df.info())

# 数据描述性统计分析
print(df.describe())

#  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
df['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()