【TensorFlow 2.0】使用 tensorflow.keras 进行逻辑回归

1. 加载数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

# 加载数据
data = pd.read_csv('./dataset/income.csv')

data.head() # head()默认显示前五行数据
data.iloc[:,-1].value_counts() # -1代表最后一列，value_counts()可以显示这一列的值出现的次数（类似于词频统计）

x_data = data.iloc[:,:-1] # 所有行的，最后一列之前的列
y_data = data.iloc[:,-1].replace(-1,0) #将-1转化成0

2. 可视化数据

# 数据可视化
plt.scatter(x_data,y_data)
plt.ion
plt.show

3. 创建模型

#创建tf.keras模型
model = tf.keras.Sequential() #顺序处理模型
model = tf.keras.Sequential(
    [
        tf.keras.layers.Dense(10,input_shape(4,),activation='relu'), # 第一层隐藏层
        tf.keras.layers.Dense(1,activation='relu'), # 第二层隐藏层，第二层不需要input_shape=x，会根据上一层的输出推断
        tf.keras.layers.Dense(1,activation='sigmoid')  # 输出层
    ]
)

# 编译模型，进行损失函数的配置
model.compile(
    optimizer = 'adma',
    loss='binary_crossentropy', # 逻辑回归使用 binary_crossentropy 作为损失函数
    metrics=['acc']
)
model.summary() #显示model的Dense的形状
#模型已经编译好了，可以进行训练了

4. 开始训练

# 开始训练
history = model.fit(x_data,y_data,epochs=50000)

5. 使用训练好的模型进行预测

# 使用model预测
model.predict(x_data)

6. 完整源代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

#加载数据
data = pd.read_csv('./dataset/income.csv')

data.head() # head()默认显示前五行数据
data.iloc[:,-1].value_counts() # -1代表最后一列，value_counts()可以显示这一列的值出现的次数（类似于词频统计）

x_data = data.iloc[:,:-1] # 所有行的，最后一列之前的列
y_data = data.iloc[:,-1].replace(-1,0) #将-1转化成0

# 数据可视化
plt.scatter(x_data,y_data)
plt.ion
plt.show

#创建tf.keras模型
model = tf.keras.Sequential() #顺序处理模型
model = tf.keras.Sequential(
    [
        tf.keras.layers.Dense(10,input_shape(4,),activation='relu'), # 第一层隐藏层
        tf.keras.layers.Dense(1,activation='relu'), # 第二层隐藏层，第二层不需要input_shape=x，会根据上一层的输出推断
        tf.keras.layers.Dense(1,activation='sigmoid')  # 输出层
    ]
)

# 编译模型，进行损失函数的配置
model.compile(
    optimizer = 'adma',
    loss='binary_crossentropy', # 逻辑回归使用 binary_crossentropy 作为损失函数
    metrics=['acc']
)
model.summary() #显示model的Dense的形状
#模型已经编译好了，可以进行训练了

#开始训练
history = model.fit(x_data,y_data,epochs=50000)

#使用model预测
model.predict(x_data)

附录

1. 关于 全连接层tf.keras.layers.Dense()

tf.keras.layers.Dense(
    units,                                 # 正整数，输出空间的维数
    activation=None,                       # 激活函数，不指定则没有 ('relu','sigmoid','LeakyReLU')
    use_bias=True,						   # 布尔值，是否使用偏移向量
    kernel_initializer='glorot_uniform',   # 核权重矩阵的初始值设定项
    bias_initializer='zeros',              # 偏差向量的初始值设定项
    kernel_regularizer=None,               # 正则化函数应用于核权矩阵
    bias_regularizer=None,                 # 应用于偏差向量的正则化函数
    activity_regularizer=None,             # Regularizer function applied to the output of the layer (its "activation")
    kernel_constraint=None,                # Constraint function applied to the kernel weights matrix.
    bias_constraint=None, **kwargs         # Constraint function applied to the bias vector
)

1. 关于 model.compile()

model.compile()的作用: 设置优化器 , 损失函数 , 准确率评测标准
model.compile() 语法：
形式1

model.compile(optimizer = tf.keras.optimizers.优化器(参数)，
              loss = tf.keras.losses.损失函数(参数)，
              metrics = ["sparse_accuracy"]
              )

形式2

model.compile(optimizer = "sgd"，
              loss = "mse"，
              metrics = ["sparse_accuracy"]
              )

optimizer有四种，每种有两种表现形式：

“sgd” 或者 tf.optimizers.SGD(lr = 学习率， decay = 学习率衰减率，momentum = 动量参数）

“adagrad" 或者 tf.keras.optimizers.Adagrad(lr = 学习率， decay = 学习率衰减率）

”adadelta" 或者 tf.keras.optimizers.Adadelta(lr = 学习率，decay = 学习率衰减率）

“adam" 或者 tf.keras.optimizers.Adam(lr = 学习率， decay = 学习率衰减率）

loss有两种，每种有两种表现形式：

”mse" 或者 tf.keras.losses.MeanSquaredError()

"sparse_categorical_crossentropy" 或tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)

Metrics标注网络评价指标，例如：

"accuracy" : y_ture 和 y_pred 都是数值，如y_ = [1] y = [1] #y_为真实值，y为预测值

“sparse_accuracy":y_和y都是以独热码 和 概率分布表示，如y_ture = [0, 1, 0], y_pred = [0.256,
0.695, 0.048]

"sparse_categorical_accuracy" :检查 y_true 中的值（本身就是index） 与 y_pred 中最大值对应的index是否相等。 y_true是以数值形式给出， y_pred是以独热码给出，如y_ = [1], y = [0.256 0.695, 0.048]

上一篇：【TensorFlow 2.0】使用 tensorflow.keras 进行线性回归