基于Keras的Python实践 3 chapter 印第安人糖尿病诊断

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 该数据集最初来自国家糖尿病/消化/肾脏疾病研究所。数据集的目标是基于数据集中包含的某些诊断测量来诊断性的预测 患者是否患有糖尿病。
# 从较大的数据库中选择这些实例有几个约束条件。尤其是，这里的所有患者都是Pima印第安至少21岁的女性。
# 数据集由多个医学预测变量和一个目标变量组成Outcome。预测变量包括患者的怀孕次数、BMI、胰岛素水平、年龄等
# 【1】Pregnancies：怀孕次数
# 【2】Glucose：葡萄糖
# 【3】BloodPressure：血压 (mm Hg)
# 【4】SkinThickness：皮层厚度 (mm)
# 【5】Insulin：胰岛素 2小时血清胰岛素（mu U / ml
# 【6】BMI：体重指数 （体重/身高）^2
# 【7】DiabetesPedigreeFunction：糖尿病谱系功能
# 【8】Age：年龄 （岁）
# 【9】Outcome：类标变量 （0或1）

# 设定随机数种子,这样结果每次重新运行时可以重现
np.random.seed(7)

# 导入数据
dataset = np.loadtxt('pima-indians-diabetes.csv', delimiter=',')
# 分割输入x和输出Y
# 每一行数据的前面8个是X，最后一共是Y
x = dataset[:, 0 : 8]
Y = dataset[:, 8]

# 创建序列型模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
# fit函数返回一个History的对象
# History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，
# 如果有验证集的话，也包含了验证集的这些指标变化情况
model.fit(x=x, y=Y, epochs=10, batch_size=10)

# 评估模型
scores = model.evaluate(x=x, y=Y)
# model.metrics_names[0]-->loss   model.metrics_names[1]-->acc
print('\n%s : %.2f%%' % (model.metrics_names[1], scores[1]*100))