使用keras的深度学习来分类白葡萄酒还是红葡萄酒

首先介绍一下数据类型：

1.这个数据集包含了1599种红酒，4898种白酒；
2.输入数据特征：
1 - fixed acidity
2 - volatile acidity
3 - citric acid
4 - residual sugar
5 - chlorides
6 - free sulfur dioxide
7 - total sulfur dioxide
8 - density
9 - pH
10 - sulphates
11 - alcohol
3.输出变量：
12 - quality (score between 0 and 10)

import pandas as pd
#导入数据
white = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv", sep=';')red = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv", sep=';')
#查看白酒信息
print white.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4898 entries, 0 to 4897
Data columns (total 12 columns):
fixed acidity           4898 non-null float64
volatile acidity        4898 non-null float64
citric acid             4898 non-null float64
residual sugar          4898 non-null float64
chlorides               4898 non-null float64
free sulfur dioxide     4898 non-null float64
total sulfur dioxide    4898 non-null float64
density                 4898 non-null float64
pH                      4898 non-null float64
sulphates               4898 non-null float64
alcohol                 4898 non-null float64
quality                 4898 non-null int64
dtypes: float64(11), int64(1)
memory usage: 459.3 KB
None

#查看红酒信息
print red.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1599 entries, 0 to 1598
Data columns (total 12 columns):
fixed acidity           1599 non-null float64
volatile acidity        1599 non-null float64
citric acid             1599 non-null float64
residual sugar          1599 non-null float64
chlorides               1599 non-null float64
free sulfur dioxide     1599 non-null float64
total sulfur dioxide    1599 non-null float64
density                 1599 non-null float64
pH                      1599 non-null float64
sulphates               1599 non-null float64
alcohol                 1599 non-null float64
quality                 1599 non-null int64
dtypes: float64(11), int64(1)
memory usage: 150.0 KB
None

#查看具体值
print red.head()
   fixed acidity  volatile acidity  citric acid  residual sugar  chlorides  \
0            7.4              0.70         0.00             1.9      0.076
1            7.8              0.88         0.00             2.6      0.098
2            7.8              0.76         0.04             2.3      0.092
3           11.2              0.28         0.56             1.9      0.075
4            7.4              0.70         0.00             1.9      0.076   free sulfur dioxide  total sulfur dioxide  density    pH  sulphates  \
0                 11.0                  34.0   0.9978  3.51       0.56
1                 25.0                  67.0   0.9968  3.20       0.68
2                 15.0                  54.0   0.9970  3.26       0.65
3                 17.0                  60.0   0.9980  3.16       0.58
4                 11.0                  34.0   0.9978  3.51       0.56   alcohol  quality
0      9.4        5
1      9.8        5
2      9.8        5
3      9.8        6
4      9.4        5

#查看各行统计信息
print red.describe()
       fixed acidity  volatile acidity  citric acid  residual sugar  \
count    1599.000000       1599.000000  1599.000000     1599.000000
mean        8.319637          0.527821     0.270976        2.538806
std         1.741096          0.179060     0.194801        1.409928
min         4.600000          0.120000     0.000000        0.900000
25%         7.100000          0.390000     0.090000        1.900000
50%         7.900000          0.520000     0.260000        2.200000
75%         9.200000          0.640000     0.420000        2.600000
max        15.900000          1.580000     1.000000       15.500000   chlorides  free sulfur dioxide  total sulfur dioxide      density  \
count  1599.000000          1599.000000           1599.000000  1599.000000
mean      0.087467            15.874922             46.467792     0.996747
std       0.047065            10.460157             32.895324     0.001887
min       0.012000             1.000000              6.000000     0.990070
25%       0.070000             7.000000             22.000000     0.995600
50%       0.079000            14.000000             38.000000     0.996750
75%       0.090000            21.000000             62.000000     0.997835
max       0.611000            72.000000            289.000000     1.003690   pH    sulphates      alcohol      quality
count  1599.000000  1599.000000  1599.000000  1599.000000
mean      3.311113     0.658149    10.422983     5.636023
std       0.154386     0.169507     1.065668     0.807569
min       2.740000     0.330000     8.400000     3.000000
25%       3.210000     0.550000     9.500000     5.000000
50%       3.310000     0.620000    10.200000     6.000000
75%       3.400000     0.730000    11.100000     6.000000
max       4.010000     2.000000    14.900000     8.000000

import numpy as np
#查看是否有数据缺失
print np.any(red.isnull()==True)
False

print np.any(white.isnull()==True)
False

#可视化数据
import matplotlib.pyplot as pltfig,ax = plt.subplots(1,2)ax[0].hist(red.alcohol, 10, facecolor='red', alpha=0.5, label="Red wine")
ax[1].hist(white.alcohol, 10, facecolor='white', ec="black", lw=0.5, alpha=0.5, label="White wine")fig.subplots_adjust(left=0, right=1, bottom=0, top=0.5, hspace=0.05, wspace=1)
ax[0].set_ylim([0, 1000])
ax[0].set_xlabel("Alcohol in % Vol")
ax[0].set_ylabel("Frequency")
ax[1].set_xlabel("Alcohol in % Vol")
ax[1].set_ylabel("Frequency")
ax[0].legend(loc='best')
ax[1].legend(loc='best')
fig.suptitle("Distribution of Alcohol in % Vol")plt.show()

我们可以从图中看出红酒和白酒的酒精浓度基本上9%左右。

#处理数据
#给我们的数据添加标签
red['label'] = 1
white['label'] = 0
wines = red.append(white,ignore_index=True) #合并index顺序
import seaborn as sns
%matplotlib inlinecorr = wines.corr() #计算协方差
sns.heatmap(corr,xticklabels = corr.columns.values,yticklabels = corr.columns.values)
sns.plt.show() #plt.show()
---------------------------------------------------------------------------AttributeError                            Traceback (most recent call last)<ipython-input-18-5a30364cdd9b> in <module>()5            xticklabels = corr.columns.values,6            yticklabels = corr.columns.values)
----> 7 sns.plt.show()AttributeError: 'module' object has no attribute 'plt'


这边改成plt.show()就不会报错了！

从图中我们可以看到各个特征之间的相关性，从中我们可以发现density跟residual sugar是正相关的，而跟alcohol是负相关的。

#划分训练集合测试集
from sklearn.model_selection import train_test_split
X = wines.iloc[:,0:11]
y = np.ravel(wines.label) #降成一维，类似np.flatten(),但是np.flatten是拷贝，而ravel是引用#随机划分训练集和测试集
#test_size:测试集占比
#random_state:随机种子，在需要重复试验的时候，保证得到一组一样的随机数。
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.33, random_state=32)
#标准化数据
from sklearn.preprocessing import StandardScalerscaler = StandardScaler().fit(X_train)X_train = scaler.transform(X_train)X_test = scaler.transform(X_test)
#使用keras模型化数据
from keras.models import Sequential
from keras.layers import Densemodel = Sequential()
#添加输入层
model.add(Dense(12,activation='relu',input_shape=(11,)))
#添加隐藏层
model.add(Dense(8,activation='relu'))#添加输出层
model.add(Dense(1,activation='sigmoid'))
Using TensorFlow backend.

#查看模型
#查看输出维度
print model.output_shape
(None, 1)

#查看整个模型
print model.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 12)                144
_________________________________________________________________
dense_2 (Dense)              (None, 8)                 104
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 9
=================================================================
Total params: 257
Trainable params: 257
Non-trainable params: 0
_________________________________________________________________
None

#查看模型参数
print model.get_weights()
#模型的训练
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])
#verbose = 1 查看输出过程
model.fit(X_train,y_train,epochs=30,batch_size=1,verbose=1)
Epoch 1/30
4352/4352 [==============================] - 15s - loss: 0.1108 - acc: 0.9614
Epoch 2/30
4352/4352 [==============================] - 15s - loss: 0.0255 - acc: 0.9952
Epoch 3/30
4352/4352 [==============================] - 15s - loss: 0.0195 - acc: 0.9954
Epoch 4/30
4352/4352 [==============================] - 15s - loss: 0.0180 - acc: 0.9966
Epoch 5/30
4352/4352 [==============================] - 15s - loss: 0.0166 - acc: 0.9966
Epoch 6/30
4352/4352 [==============================] - 15s - loss: 0.0147 - acc: 0.9970
Epoch 7/30
4352/4352 [==============================] - 15s - loss: 0.0132 - acc: 0.9968
Epoch 8/30
4352/4352 [==============================] - 15s - loss: 0.0137 - acc: 0.9970
Epoch 9/30
4352/4352 [==============================] - 16s - loss: 0.0136 - acc: 0.9975
Epoch 10/30
4352/4352 [==============================] - 15s - loss: 0.0125 - acc: 0.9975
Epoch 11/30
4352/4352 [==============================] - 15s - loss: 0.0113 - acc: 0.9972
Epoch 12/30
4352/4352 [==============================] - 15s - loss: 0.0116 - acc: 0.9972
Epoch 13/30
4352/4352 [==============================] - 15s - loss: 0.0115 - acc: 0.9975
Epoch 14/30
4352/4352 [==============================] - 15s - loss: 0.0108 - acc: 0.9972
Epoch 15/30
4352/4352 [==============================] - 16s - loss: 0.0097 - acc: 0.9975
Epoch 16/30
4352/4352 [==============================] - 16s - loss: 0.0098 - acc: 0.9977
Epoch 17/30
4352/4352 [==============================] - 15s - loss: 0.0101 - acc: 0.9975
Epoch 18/30
4352/4352 [==============================] - 15s - loss: 0.0095 - acc: 0.9970
Epoch 19/30
4352/4352 [==============================] - 15s - loss: 0.0088 - acc: 0.9977
Epoch 20/30
4352/4352 [==============================] - 16s - loss: 0.0089 - acc: 0.9972
Epoch 21/30
4352/4352 [==============================] - 16s - loss: 0.0086 - acc: 0.9977
Epoch 22/30
4352/4352 [==============================] - 16s - loss: 0.0078 - acc: 0.9982
Epoch 23/30
4352/4352 [==============================] - 16s - loss: 0.0085 - acc: 0.9979
Epoch 24/30
4352/4352 [==============================] - 15s - loss: 0.0072 - acc: 0.9984
Epoch 25/30
4352/4352 [==============================] - 16s - loss: 0.0074 - acc: 0.9982
Epoch 26/30
4352/4352 [==============================] - 15s - loss: 0.0071 - acc: 0.9986
Epoch 27/30
4352/4352 [==============================] - 16s - loss: 0.0080 - acc: 0.9977
Epoch 28/30
4352/4352 [==============================] - 16s - loss: 0.0066 - acc: 0.9982
Epoch 29/30
4352/4352 [==============================] - 16s - loss: 0.0084 - acc: 0.9982
Epoch 30/30
4352/4352 [==============================] - 15s - loss: 0.0067 - acc: 0.9989    <keras.callbacks.History at 0x120530a90>

#预测结果
y_pred = model.predict(X_test)
print y_pred[:10]
[[  2.14960589e-03][  6.35436322e-07][  1.82669051e-03][  2.15678483e-07][  1.00000000e+00][  1.84882566e-07][  1.13470778e-04][  5.90343404e-07][  2.01183035e-08][  1.00000000e+00]]

print y_test[:10]
[0 0 0 0 1 0 0 0 0 1]

可以从上述结果可以看出，测试集的前十项结果跟我们预测的结果是一样的。

#模型评估
score = model.evaluate(X_test,y_test,verbose=1)#socre的两个值分别代表损失(loss)和精准度(accuracy)
print score
 960/2145 [============>.................] - ETA: 0s[0.030568929157742158, 0.99580419580419577]

#统计Precision、Recall、F1值
from sklearn.metrics import confusion_matrix,precision_score,recall_score,f1_scorey_pred = y_pred.astype(int) #转化成整型
print confusion_matrix(y_test,y_pred)
[[1633    0][ 230  282]]

#precision
precision = precision_score(y_test,y_pred)
print precision
1.0

#Recall
recall = recall_score(y_test,y_pred)
print recall
0.55078125

#F1 score
f1 = f1_score(y_test,y_pred)
print f1
0.710327455919

从上面的结果来看我们的Precision很高，但是我们的Recall值比较低。
对此我后面还会写一篇blog来优化模型。

基于keras的深度学习——分类相关推荐

  1. 基于keras的深度学习基本概念讲解

    基于keras的深度学习基本概念讲解 Tensorflow1.0正式发布,谷歌首届Tensorflow开发者大会在山景召开,深度学习迎来新的高潮和狂欢.随着深度学习框架的普及和推广,会有越来越多人加入 ...

  2. 基于keras的深度学习基本概念讲解——深度学习之从小白到入门

    2019独角兽企业重金招聘Python工程师标准>>> Author: shikanon CreateTime: 2017-02-13 10:33:34 Tensorflow1.0正 ...

  3. 基于keras和深度学习的视频分类实战（附代码）

    作者首先通过train.py训练微调模型,之后用训练好的模型在predict_video.py进行视频分类. 在执行图像分类时,我们: 输入一幅图像到我们的CNN中: 从CNN中获得预测: 选择相应概 ...

  4. Keras快速上手：基于Python的深度学习

    Keras快速上手:基于Python的深度学习 谢梁,鲁颖,劳虹岚 著 ISBN:9787121318726 包装:平装 开本:16开 正文语种:中文 出版社: 电子工业出版社 出版时间:2017-0 ...

  5. 人脸识别学习一（Keras: 基于 Python 的深度学习库）

    只是把一些文字部分复制出来方便看,完整还是参考源地址,参考文章https://keras.io/zh/ 写在前面: 第一次接触Keras,用自己的话简单概括一下什么事Keras,(不准确之处欢迎批评指 ...

  6. DL框架之Keras：深度学习框架Keras框架的简介、安装(Python库)、相关概念、Keras模型使用、使用方法之详细攻略

    DL框架之Keras:深度学习框架Keras框架的简介.安装(Python库).相关概念.Keras模型使用.使用方法之详细攻略 目录 Keras的简介 1.Keras的特点 2.Keras四大特性 ...

  7. 使用keras进行深度学习_如何在Keras中通过深度学习对蝴蝶进行分类

    使用keras进行深度学习 A while ago I read an interesting blog post on the website of the Dutch organization V ...

  8. [转载] python实现语义分割_使用Keras实现深度学习中的一些语义分割模型

    参考链接: Keras中的深度学习-数据预处理 Keras-Sematic-Segmentation 使用Keras实现深度学习中的一些语义分割模型. 配置 tensorflow 1.13.1+ten ...

  9. 【Deep Learning】基于 Keras 的猫狗分类识别

    基于 Keras 的猫狗分类识别 更新: 本文代码github连接:https://github.com/Sdamu/Keras_pratice    本篇主要实现利用 Keras 来实现 Kaggl ...

最新文章

  1. 云炬随笔20161012
  2. Sybase资料下载（参考手册，功能讲解很全）
  3. 【注册机】Zillions of Games v2.0.1p 注册机
  4. 23种设计模式之工厂方法模式
  5. ideahtml标签不提示_「系统自带标签」如何帮门店区分价值顾客？| 早8点141期
  6. ET游戏框架整理笔记3: 常用内置组件功能
  7. delphi 获取打印机默认纸张_如何设置一台打印机打印不同尺寸的纸张
  8. 提高jQuery的性能
  9. AcWing 830. 单调栈
  10. vs新建一个excelpackage时间太长_炖牛肉vs煎牛肉，前者几小时后者几分钟，大厨告诉了我原因...
  11. 如何在Excel里输入能打钩的选择框？
  12. yy自动语音接待机器人_YY语音最新应用教程 场控机器人
  13. android线上内存监控_如何在Android上监控（和减少）您的数据使用情况
  14. Android 最完美的取色盘ColorPickView
  15. 服务器发微信朋友圈长视频,微信朋友圈过长的视频怎么发 发布长视频技巧
  16. 【分享】李南江HTML5教程
  17. C#读取word文档文本
  18. iOS AOP 框架 - Aspects 源码解读
  19. Java中快速掌握正则表达式
  20. 基于java（springboot）幼儿园管理系统（java毕业设计）

热门文章

  1. 好多人一个月3000块钱工资怎么维持生活的？
  2. 电力行业设备远程监控及预警系统
  3. Poly-Yolo复现
  4. ip iq 谐波检测matlab仿真,谐波检测技术在配电项目中的应用
  5. 宝峰对讲机16频率表_宝峰uv5r系列对讲机出厂预置频率表-手工编辑版
  6. 用废旧纸箱 DIY 智能宠物喂食器！旅行在外远程投喂“二狗子”
  7. Rancher 轮换证书 和 Rancher 自身证书过期处理
  8. Map集合中的entry是什么？
  9. Vmware为虚拟机添加硬盘操作详解
  10. 这三种屏幕OLED、AMOLED、LCD的优缺点有哪些呢？