基于神经网络模型的二分类--以Creditcard DataSet数据集为例

数据集特点：Creditcard数据集包含711个样本；29个特征；1个标签（0、1表示信用卡是否出现问题）

问题定义

1. 单标签二分类问题
2. 标签的取值只有两种，并且只有一个需要预测的标签

解决方法：构建神经网络模型

具体思路：将29个特征数据作为输入数据，将标签（0、1）作为待预测值，调整神经网络模型中的参数使得Loss降低

代码实现（python）

1. 导入库

import numpy as np
import torch
import matplotlib.pyplot as plt

2. 导入数据

data = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(data[:, :-1])
y_data = torch.from_numpy(data[:, [-1]])

3. 定义模型

class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        # 定义三层线性层  通过矩阵乘法将前一层的矩阵变换为下一层的矩阵
        self.linear1 = torch.nn.Linear(29, 20)  # 759x8 -> 759x6
        self.linear2 = torch.nn.Linear(20, 11)  # 759x6 -> 759x4
        self.linear3 = torch.nn.Linear(11, 1)  # 759x4 -> 759x1
        # 定义激活函数
        self.sigmoid = torch.nn.Sigmoid()
        
    def forward(self, x):
        # 叠加线性层每两层之间一定要加入非线性层，否则可以直接由一个线性层代替
        x = self.sigmoid(self.linear1(x))  # 759x8
        x = self.sigmoid(self.linear2(x))  # 759x6
        y_pred = self.sigmoid(self.linear3(x))  # 759x4
        return y_pred  # 759x1

model = Model()

4. 构建损失函数和优化器

# torch.nn.BCELoss() 二分类交叉熵损失函数（ Binary CrossEntropy ）
# reduction = 'mean' ，返回loss的平均值
criterion = torch.nn.BCELoss(reduction='mean')

# torch.optim.SGD() 随机梯度下降算法（ Stochastic Gradient Descent ）
# model.parameters() 保存的是Weights和Bais参数的值 y=wx+b
optimizer = torch.optim.SGD(model.parameters(),lr = 0.001)

5. 训练数据

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    loss_list.append(loss.item())
    epoch_list.append(epoch)
    # 清空过往梯度
    optimizer.zero_grad()  
    # 反向传播，计算当前梯度
    loss.backward()  
    # 根据梯度更新网络参数
    optimizer.step()  
    print(epoch, loss.item())  

6. 可视化展示

loss_list=[]
epoch_list=[]

plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()