TensorFlow实践:Iris数据集的多分类问题

实例描述

采用Iris数据集进行多分类问题的训练，Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

这里采用sklearn中的数据集，首先把数据绘制出来。

在把这个数据集在的前三个属性在三维空间中绘制出来。

实现过程

（1）准备数据

这里直接导入sklearn库里的数据集就可以

def loadData():
    iris = datasets.load_iris()
    #n_samples,n_features=iris.data.shape
    #print("Number of sample:",n_samples)  
    #print("Number of feature",n_features)
    data = iris.data
    label = iris.target
    data,label = normalization(data,label)
    return data,label

这里为了方便训练我对原数据集做了小小的调整，这个调整不调整都可以，看心情。

（2）定义模型

这里定义了一个添加层的函数，参数分别为（输入数据，输入数据大小，输出结果大小，激活函数）。这里激活函数默认是None。我选择的是softmax作为激活函数

def add_layer(inputs, in_size, out_size, activation_function=None,):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b,)
    return outputs

接下来定义神经网络的图结构

xs = tf.placeholder(tf.float32,[None,4])
ys = tf.placeholder(tf.float32,[None,3])

y_ = add_layer(xs,4,3, activation_function=tf.nn.softmax)

损失函数与优化器分别选择交叉熵和梯度下降优化器

loss = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(y_),reduction_indices=[1])) 

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

（3）训练模型

这里使用了sklearn中的 train_test_split 将数据集分为测试和训练集，训练集包含120组数据，测试集包含30组数据。

train_data,test_data,train_label,test_label = train_test_split(data,label,test_size = 0.2)

开始训练模型

sess = tf.Session()
sess.run(tf.initialize_all_variables())

for i in range(50):
    sess.run(train_step,feed_dict={xs:train_data,ys:train_label})
    if i % 5 ==0:
         print(compute_accuracy(test_data, test_label))

这里用到一个计算准确率的函数 compute_accuracy 

def compute_accuracy(v_xs, v_ys):
    global y_
    y_pre = sess.run(y_, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result

（4）测试模型

       

可以看到准确率还是比较让人满意的。参考代码下载https://github.com/yaoxunji/tensorflow/tree/master/2

才疏学浅，若有不足，还望指正，万分感谢。