神经网络(NN)实现多分类-----Keras实现

最新推荐文章于 2024-10-14 13:44:58 发布

weixin_30394669

最新推荐文章于 2024-10-14 13:44:58 发布

阅读量1.1k

点赞数 1

CC 4.0 BY-SA版权

文章标签：人工智能 python

原文链接：http://www.cnblogs.com/USTC-ZCC/p/10946216.html

本文介绍了使用Keras构建深度神经网络（DNN）对IRIS数据集进行多分类的问题。IRIS数据集包含150个样本，分为三个类别。通过搭建包含输入层、隐藏层和输出层的DNN，并采用ReLU激活函数、交叉熵损失函数和Adam优化器，经过100次迭代训练，模型在测试集上的准确率达到97.78%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

IRIS数据集介绍

IRIS数据集（鸢尾花数据集），是一个经典的机器学习数据集，适合作为多分类问题的测试数据，它的下载地址为：http://archive.ics.uci.edu/ml/machine-learning-databases/iris/。
IRIS数据集是用来给鸢尾花做分类的数据集，一共150个样本，每个样本包含了花萼长度（sepal length in cm）、花萼宽度（sepal width in cm）、花瓣长度（petal length in cm）、花瓣宽度（petal width in cm）四个特征，将鸢尾花分为三类，分别为Iris Setosa，Iris Versicolour，Iris Virginica，每一类都有50个样本。
IRIS数据集具体如下（只展示部分数据，顺序已打乱）：

读取数据集

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer

# 读取CSV数据集，并拆分为训练集和测试集
# 该函数的传入参数为CSV_FILE_PATH: csv文件路径
def load_data(CSV_FILE_PATH):
    IRIS = pd.read_csv(CSV_FILE_PATH)
    target_var = 'class'  # 目标变量
    # 数据集的特征
    features = list(IRIS.columns)
    features.remove(target_var)
    # 目标变量的类别
    Class = IRIS[target_var].unique()
    # 目标变量的类别字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增加一列target, 将目标变量进行编码
    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])
    # 对目标变量进行0-1编码(One-hot Encoding)
    lb = LabelBinarizer()
    lb.fit(list(Class_dict.values()))
    transformed_labels = lb.transform(IRIS['target'])
    y_bin_labels = []  # 对多分类进行0-1编码的变量
    for i in range(transformed_labels.shape[1]):
        y_bin_labels.append('y' + str(i))
        IRIS['y' + str(i)] = transformed_labels[:, i]
    # 将数据集分为训练集和测试集
    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \
                                                        train_size=0.7, test_size=0.3, random_state=0)
    return train_x, test_x, train_y, test_y, Class_dict