tf神经网络模型预测泰坦尼克号生还
前言:
数据集找我
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
train_data = pd.read_csv("./datasets/train.csv")
train_data.head(10)
test_data = pd.read_csv("./datasets/test.csv")
test_data.head(10)
Y_train = train_data["Survived"]
features = ["Pclass", "Sex", "SibSp", "Parch"]
X_train= pd.get_dummies(train_data[features])
X_test = pd.get_dummies(test_data[features])from sklearn.model_selection import train_test_split
X_train, X_val, Y_train, Y_val = train_test_split(X_train, Y_train, test_size=0.3,random_state=100)
#定义神经网络模型
print(X_train.head(10));
print(Y_train.head(10));
model = tf.keras.Sequential( name = 'Titanic') #定义模型
model.add(tf.keras.layers.InputLayer(input_shape = (5))) #定义输入层
#model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(4, activation='relu')) #定义隐藏层
model.add(tf.keras.layers.Dense(1, activation='sigmoid')) #定义输出层
model.summary() #显示模型摘要
#编译模型
model.compile(optimizer = 'adam',loss = 'binary_crossentropy',metrics = ['accuracy'])
#训练模型
epochs = 30
print(X_train,Y_train);
h = model.fit(X_train,Y_train,batch_size = 4,validation_data = (X_val,Y_val),epochs =epochs)
# # 绘制损失函数曲线
plt.figure(figsize=(8,5))
plt.plot(h.history['loss'], label = 'loss')
plt.plot(h.history['val_loss'], label = 'val_loss')
plt.xticks(range(epochs),range(1,epochs+1))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend()
plt.show()
# 绘制准确率曲线
plt.figure(figsize=(8,5))
plt.plot(h.history['accuracy'], label = 'acc')
plt.plot(h.history['val_accuracy'], label = 'val_acc')
plt.xticks(range(epochs),range(1,epochs+1))
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend()
plt.show()
#
predictions = model.predict(X_test)
output = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': predictions.ravel()})
output.to_csv('my_submission.csv', index=False)
tf神经网络模型预测泰坦尼克号生还相关推荐
- 基于Keras的卷积神经网络模型预测--狗的品种识别
基于Keras的卷积神经网络模型预测–狗的品种识别 from sklearn.datasets import load_files from keras.utils import np_utils i ...
- 神经网络模型预测步骤_神经网络预测值范围
今天聊聊 神经网络模型预测步骤_神经网络预测值范围 1.具体应用实例.根据表2,预测序号15的跳高成绩. 表2 国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() ...
- python泰坦尼克号数据预测_使用python预测泰坦尼克号生还
简介 Titanic是Kaggle竞赛的一道入门题,参赛者需要根据旅客的阶级.性别.年龄.船舱种类等信息预测其是否能在海难中生还,详细信息可以参看https://www.kaggle.com/,本文的 ...
- 谷歌发布MetNet神经网络模型预测天气
导语:Google 正在积极研究如何改进全球天气预报模型. 准确预测未来几分钟到几周的天气是一项基本的科学挑战.很多气象机构目前采用的预报是基于大气的物理模型,但这些模型本身受到计算要求的限制且对 ...
- bp神经网络预测模型例题,bp神经网络模型是什么
1.BP神经网络中隐藏层节点个数怎么确定最佳? 1.神经网络算法隐含层的选取 1.1 构造法 首先运用三种确定隐含层层数的方法得到三个隐含层层数,找到最小值和最大值,然后从最小值开始逐个验证模型预测误 ...
- bp神经网络模型拓扑结构,bp神经网络的建模步骤
如何建立bp神经网络预测 模型 . 建立BP神经网络预测模型,可按下列步骤进行:1.提供原始数据2.训练数据预测数据提取及归一化3.BP网络训练4.BP网络预测5.结果分析现用一个实际的例子,来预测2 ...
- bp神经网络预测模型优点,什么是BP神经网络模型?
灰色理论预测和BP神经网络预测哪个难 谷歌人工智能写作项目:神经网络伪原创 初学者对BP神经网络的疑惑 伤寒.副伤寒流行预测模型(BP神经网络)的建立 由于目前研究的各种数学模型或多或少存在使用条件的 ...
- 数学建模神经网络应用,构建神经网络模型方法
数学模型的建立与求解 . 8.3.2.1数学模型的求解本次研究采用地下水数值模拟软件ProcessingModflow,利用美国地质调查局所开发的三维有限差分地下水流模型Modflow(Modular ...
- bp神经网络的应用案例,bp神经网络模型的建立
BP人工神经网络 人工神经网络(artificialneuralnetwork,ANN)指由大量与自然神经系统相类似的神经元联结而成的网络,是用工程技术手段模拟生物网络结构特征和功能特征的一类人工系统 ...
最新文章
- 网狐荣耀源码(含内核源码)可二次开发
- CodeForces - 1480D2 Painting the Array II(dp)
- 拒绝了对对象 'sp_sdidebug'(数据库 'master',所有者 'dbo')的 EXECUTE 权限
- MySQL语句集锦(持续更新)
- ndnsim r语言 ubuntu_Python语言---数据库
- POJ 3267 The Cow Lexicon 动态规划
- PDF文件在线合并如何操作
- iOS 通知扩展插件
- linux 断开远程vnc,Linux停VNC远程控制的使用方法
- Android签名生成和Android签名格式转换工具(MD5和SHA1签名)
- Centos7.6下构建虚拟主机实验(基于域名、端口及IP地址)
- js判断一个数字是否是整数
- 对Git用户名与Github账户关系的理解
- 大学教务人员管理系统(C++实现)
- css 谷歌字体加载,使用谷歌网页字体无限制的添加字体到您的网站
- 讲解大数据培训——ELK实战-徐培成-专题视频课程
- 视频教程:Java从入门到精通
- 华为裁员34岁以上程序员,90后的中年危机,即将在职场引爆
- oracle循环执行存储过程
- 转CSDN报道:一家中国报表公司的酸甜苦辣
热门文章
- Mac升级自带PHP版本(非Homebrew方式)
- 万字长文保姆级教你制作自己的多功能QQ机器人
- uni-app app平台微信支付
- 高清架构整洁之道PDF下载
- IMX6ull_Linux驱动编写(1)
- 解决“ImportError: cannot import name ‘_validate_lengths‘”问题
- 聊天室之-----界面的问题用到的curses
- org.apache.flume.conf.ConfigurationException: Channel c1 not in active set.
- C# 让程序开机自动运行的方法
- R语言中Axis()函数的参数详解