基于Tensorflow的人工智能算法入门
coding=utf-8
引用数据分析模块
import numpy as np
引用文档读取模块,可以读取csv、json等文件
import pandas as pd
引用人工智能算法模块,里面包含相关算法
import tensorflow as tf
引用数据人工智能分析模块,并引用数据拆分功能
from sklearn.model_selection import train_test_split
初始化数据
从文件读取数据
data = pd.read_csv('data/XXX.csv')
为空值的列补充0值
data = data.fillna(0)
转换XX为1,XXX为2
data['XXX'] = data['XXX'].apply(lambda s: 1 if s == 'XXX' else 0)
添加新列Deceased 值为Survived 取非
独立热编码,就是使用N位布尔型的状态标识来对N种状态进行编码,任意时刻编码中只有一位有效(one-hot编码)
data['XXX'] = data['XXX'].apply(lambda s: 1 - s)
选取特征字段用于分类
as_matrix :
在numpy中的特殊类型,
是作为array的子类出现,所以继承了array的所有特性并且有自己的特殊的地方,
专门用来处理线性代数操作(*表示矩阵的相乘,但是对于两个matrix的除/则表示对应元素的相除。)
dataset_X = data[['XXX', 'XXX', 'XXX', 'XXX', 'XXX', 'XXX']].as_matrix()
dataset_Y = data[['XXX', 'XXX']].as_matrix()
拆分数据为"训练数据集和验证数据集",其中验证数据集为20%(字段为test_size)
train_test_split是交叉验证中常用的函数,功能是从样本中随机的按比例选取train data和testdata。
参数说明:
train_data:所要划分的样本特征集
train_target:所要划分的样本结果
test_size:样本占比,如果是整数的话就是样本的数量
random_state:是随机数的种子。
随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。
比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。
随机数的产生取决于种子。
随机数和种子之间的关系遵从以下两个规则:
种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。
X_data, X_val, y_data,y_data_test_split(dataset_X, dataset_Y,
test_size=0.2, random_state=42)
定义计算公式
声明输入数据占位符
shape 第一个参数为None,表示可以同时放入任意条记录
==================================================
tf.placeholder(dtype, shape=None, name=None)
此函数可以理解为形参,用于定义过程,在执行的时候再赋具体的值
参数:
dtype:数据类型。常用的是tf.float32,tf.float64等数值类型
shape:数据形状。默认是None,就是一维值,也可以是多维,比如[2,3], [None, 3]表示列是3,行不定
name:名称
X = tf.placeholder(tf.float32, shape=[None, 6])
y = tf.placeholder(tf.float32, shape=[None, 2])
逻辑回归预测函数:y' = softmax(xW + b)
参数:x为输入向量,是大小为d x 1的列向量,d是特征数
tf.Variable是声明变量。
weights = tf.Variable(tf.random_normal([6, 2]), name='weights')
bias = tf.Variable(tf.zeros([2]), name='bias')
下面为逻辑回归的预测函数的tf写法
tf.matmul 是矩阵乘法算子
tf.nn.softmax 是sofrmax 函数
y_pred = tf.nn.softmax(tf.matmul(X, weights) + bias)
下列是交叉熵的计算公式
Minimise cost using cross entropy
NOTE: add a epsilon(1e-10) when calculate log(y_pred),
otherwise the result will be -inf
使用交叉熵作为代价函数
1e-10 是误差值
当 y_pred 十分接近真值y_true 的时候,也就是y_pred 的值非常接近 0 或 1 时,
计算log(0)会得到负无穷 -inf,从而导致输出非法,全部都是 nan,并进一步导致
无法计算梯度,迭代陷入崩溃。
cross_entropy = - tf.reduce_sum(y * tf.log(y_pred + 1e-10),
reduction_indices=1)
批量样本的代价值为所有样本交叉熵的平均值
cost = tf.reduce_mean(cross_entropy)
使用随机梯度下降算法优化器来最小化代价,系统自动构建反向传播部分的计算图
train_op = tf.train.GradientDescentOptimizer(0.001).minimize(cost)
correct_pred = tf.equal(tf.argmax(y, 1), tf.argmax(y_pred, 1))
acc_op = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
开始训练和分析模型
通过计算session来开启训练迭代
with tf.Session() as sess:
# 初始化所有变量,必须最先执行 tf.global_variables_initializer().run() # 计算训练的循环,迭代10轮 for epoch in range(10): total_loss = 0. for i in range(len(X_train)): # 接口触发执行 feed_dict = {X: [X_train[i]], y: [y_train[i]]} _, loss = sess.run([train_op, cost], feed_dict=feed_dict) total_loss += loss # 评估校验数据集上的准确率 accuracy = sess.run(acc_op, feed_dict={X: X_val, y: y_val}) # 通过 NumPy 校验算法准确率 pred = sess.run(y_pred, feed_dict={X: X_val}) correct = np.equal(np.argmax(pred, 1), np.argmax(y_val, 1)) numpy_accuracy = np.mean(correct.astype(np.float32)) # 读取测试算法数据集 testdata = pd.read_csv('data/test.csv') testdata = testdata.fillna(0) # 转换XXX为1,XXX为2 testdata['XXX'] = testdata['XXX'].apply(lambda s: 1 if s == 'XXX' else 0) X_test = testdata[['XXX', 'XXX', 'XXX', 'XXX', 'XXX', 'XXX']] predictions = np.argmax(sess.run(y_pred, feed_dict={X: X_test}), 1) submission = pd.DataFrame({ "XXX": testdata["XXX"], "XXX": predictions })
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
SpringBoot2.0 基础案例(08):集成Redis数据库,实现缓存管理
一、Redis简介 Spring Boot中除了对常用的关系型数据库提供了优秀的自动化支持之外,对于很多NoSQL数据库一样提供了自动化配置的支持,包括:Redis, MongoDB, Elasticsearch。这些案例整理好后,陆续都会上传Git。SpringBoot2 版本,支持的组件越来越丰富,对Redis的支持不仅仅是扩展了API,更是替换掉底层Jedis的依赖,换成Lettuce。本案例需要本地安装一台Redis数据库。 二、Spring2.0集成Redis 1、核心依赖 <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-redis</artifactId> </dependency> 2、配置文件 # 端口 server: port: 8008 spring: application: # 应用名称 name: node08-boot-redis # redis 配...
- 下一篇
Windows安装Anaconda的坑
Windows安装Anaconda 安装过程比较简单,就是去官网下载对应的exe版本安装就好。注意点: 如果官网比较慢,推荐用清华源: https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/ 安装过程中不需要点 add to path那个选择,后续手动添加环境变量即可 如无必要,就选择安装给当前用户就行,不要选安装给全部用户 安装以后碰到的问题 找不到Anaconda-Navigator Anaconda最常用的方式就是用Anaconda-Navigator打开,是一个GUI页面。 问题是安装完以后找不到这个了。。。网上说是Python环境冲突,因为之前安装过PyCharm。想想有可能是这个原因,而且已经过了试用期了,索性删除了。 重新安装Anaconda以后就看得到Anaconda-Navigator了。在开始菜单--所有程序--Anaconda3文件夹下。 添加到环境变量 环境变量打开方式为:计算机--属性--高级系统设置--环境变量 添加上:Anaconda3、Anaconda3/Scripts、Anaconda3/Library/...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- CentOS7编译安装Gcc9.2.0,解决mysql等软件编译问题
- CentOS7安装Docker,走上虚拟化容器引擎之路
- SpringBoot2更换Tomcat为Jetty,小型站点的福音
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- SpringBoot2全家桶,快速入门学习开发网站教程
- CentOS8编译安装MySQL8.0.19
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装