keras搭建ANN多分类任务进行鸢尾花数据集分类

一、数据处理

先获取数据集常见的数据集整理中的iris.txt。

150条数据，然后3个类别。

加载数据

df=pd.read_csv('Dataset/iris.txt',header=None,sep=' ').values
data=df[:,1:]
dic={}#将标签数字化隐射
id=0
for val in Counter(data[:,-1]).keys():
    dic[val]=id
    id+=1
X_data=data[:,0:4]
Y_data=[]
for val in data[:,-1]:
    Y_data.append(dic[val])
Y_data=np.array(Y_data)

#特征归一化
min_max_scaler = MinMaxScaler()
min_max_scaler.fit(X_data)
X_data = min_max_scaler.transform(X_data)

# 对训练集进行切割，然后进行训练
train_x,test_x,train_y,test_y = train_test_split(X_data,Y_data,test_size=0.2)

lb=preprocessing.LabelBinarizer().fit(np.array(range(3)))#对标签进行one_hot编码
train_y=lb.transform(train_y)#因为是多分类任务，必须进行编码处理

输出归一化和one_hot编码后的标签

标签类型为

每行中位置x为1，说明标签为x，比如[0,1,0]表示标签1，[1,0,0]表示标签1，这和softmax映射函数进行神经网络训练时的结构有关。

二、搭建网络

#模型结构，采用relu函数为激活函数，输入层为N个属性
#下面为4层隐含层，每层的神经元个数依次为500，500，250，250
#输入层对应N个属性
model = keras.Sequential([
        keras.layers.Dense(500,activation='relu',input_shape=[4]),#输入特征数目为4
        keras.layers.Dense(500,activation='relu'),
        keras.layers.Dense(250,activation='relu'),
        keras.layers.Dense(250,activation='relu'),
        keras.layers.Dense(3, activation='softmax')])#输出的类别为3个，所以输出层3个节点

#编译模型,定义损失函数loss，采用的优化器optimizer为Adam
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

#开始训练模型
model.fit(train_x,train_y,batch_size = 32,epochs=20)#训练1000个批次，每个批次数据量为126

y_pre=model.predict(test_x).argmax(axis=1)#开始预测，axis=1表示返回每行中数值（表示每个类别的概率）最大的下标，就是对应的标签

print("验证集 accuracy_score: %.4lf" % accuracy_score(y_pre,test_y))

三、训练和预测结果

训练集准确率达到了95%，验证集达到了100%。看来神经网络还是比较强大的，可能数据集也比较简单，特征数目比较少。

希望我的分享对你的学习有所帮助，如果有问题请及时指出，谢谢~