BP神经网络对鸢尾花进行分类

题目：BP神经网络分类器
一、实验项目： BP神经网络对鸢尾花进行分类
二、实验目的：
掌握BP神经网络学习算法，利用BP神经网络进行数据分类
三、实验内容：
1、编程实现BP神经网络算法
2、建立三层BP神经网络，节点个数、参数自拟
3、选择iris-人工神经网络.txt中的一部分数据集作为训练集，通过训练集对BP神经网络的连接权重进行学习
4、记录实验数据（连接权值的变化、迭代次数、总的误差变化）
5、用剩下的数据集作为测试集，验证学习的效果
四、实验要求：
1、画出实验所用的BP神经网络的结构图
2、附上主体代码清单
3、写清楚实验步骤和实验结果
4、调节参数后，得到不同的实验数据，对数据进行分析

代码：

import numpy as np
import pandas as pd'''构建一个具有1个隐藏层的神经网络，隐层的大小为5输入层为2个特征，输出层为2个分类0为第一类，1为第二类
'''
# 1.初始化参数
def initialize_parameters(n_x, n_h, n_y):np.random.seed(2)# 权重和偏置矩阵w1 = np.random.randn(n_h, n_x) * 0.01b1 = np.zeros(shape=(n_h, 1))w2 = np.random.randn(n_y, n_h) * 0.01b2 = np.zeros(shape=(n_y, 1))print('输入层与隐含层之间的初始权值：')print(w1)print('输入层与隐含层之间的初始偏置：')print(b1)print('隐含层与输出层之间的初始权值：')print(w2)print('隐含层与输出层之间的初始偏置：')print(b2)# 通过字典存储参数parameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}return parameters# 2.前向传播
def forward_propagation(X, parameters):w1 = parameters['w1']b1 = parameters['b1']w2 = parameters['w2']b2 = parameters['b2']# 通过前向传播来计算a2z1 = np.dot(w1, X) + b1     # 这个地方需注意矩阵加法：虽然(w1*X)和b1的维度不同，但可以相加a1 = np.tanh(z1)            # 使用tanh作为第一层的激活函数z2 = np.dot(w2, a1) + b2a2 = 1 / (1 + np.exp(-z2))  # 使用sigmoid作为第二层的激活函数# 通过字典存储参数cache = {'z1': z1, 'a1': a1, 'z2': z2, 'a2': a2}return a2, cache# 3.计算代价函数
def compute_cost(a2, Y, parameters):m = Y.shape[1]      # Y的列数即为总的样本数# 采用交叉熵（cross-entropy）作为代价函数logprobs = np.multiply(np.log(a2), Y) + np.multiply((1 - Y), np.log(1 - a2))cost = - np.sum(logprobs) / mreturn cost# 4.反向传播（计算代价函数的导数）
def backward_propagation(parameters, cache, X, Y):m = Y.shape[1]w2 = parameters['w2']a1 = cache['a1']a2 = cache['a2']# 反向传播，计算dw1、db1、dw2、db2dz2 = a2 - Ydw2 = (1 / m) * np.dot(dz2, a1.T)db2 = (1 / m) * np.sum(dz2, axis=1, keepdims=True)dz1 = np.multiply(np.dot(w2.T, dz2), 1 - np.power(a1, 2))dw1 = (1 / m) * np.dot(dz1, X.T)db1 = (1 / m) * np.sum(dz1, axis=1, keepdims=True)grads = {'dw1': dw1, 'db1': db1, 'dw2': dw2, 'db2': db2}return grads# 5.更新参数
def update_parameters(parameters, grads, learning_rate=0.4):w1 = parameters['w1']b1 = parameters['b1']w2 = parameters['w2']b2 = parameters['b2']dw1 = grads['dw1']db1 = grads['db1']dw2 = grads['dw2']db2 = grads['db2']# 更新参数w1 = w1 - dw1 * learning_rateb1 = b1 - db1 * learning_ratew2 = w2 - dw2 * learning_rateb2 = b2 - db2 * learning_rateparameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}return parameters# 6.模型评估
def predict(parameters, x_test, y_test):w1 = parameters['w1']b1 = parameters['b1']w2 = parameters['w2']b2 = parameters['b2']print('训练集训练后，输入层与隐含层之间的权值为：')print(w1)print('训练集训练后，输入层与隐含层之间的偏置为：')print(b1)print('训练集训练后，隐含层与输出层之间的权值为：')print(w2)print('训练集训练后，隐含层与输出层之间的偏置为：')print(b2)print('================================================================')print('================================================================')z1 = np.dot(w1, x_test) + b1a1 = np.tanh(z1)z2 = np.dot(w2, a1) + b2a2 = 1 / (1 + np.exp(-z2))# 结果的维度n_rows = y_test.shape[0]n_cols = y_test.shape[1]# 预测值结果存储output = np.empty(shape=(n_rows, n_cols), dtype=int)for i in range(n_rows):for j in range(n_cols):if a2[i][j] > 0.5:output[i][j] = 1else:output[i][j] = 0print('预测结果：')print(output)print('真实结果：')print(y_test)count = 0for k in range(0, n_cols):if output[0][k] == y_test[0][k] :count = count + 1else:print(k)acc = count / int(y_test.shape[1]) * 100print('准确率：%.2f%%' % acc)# 建立神经网络
def nn_model(X, Y, n_h, n_input, n_output, num_iterations=10000, print_cost=False):np.random.seed(3)n_x = n_input           # 输入层节点数n_y = n_output          # 输出层节点数print('================================================================')print('================================================================')# 1.初始化参数parameters = initialize_parameters(n_x, n_h, n_y)print('================================================================')print('================================================================')# 2.前向传播a2, cache = forward_propagation(X, parameters)# 3.计算代价函数cost0 = compute_cost(a2, Y, parameters)# 4.反向传播grads = backward_propagation(parameters, cache, X, Y)# 5.更新参数parameters = update_parameters(parameters, grads)# 梯度下降循环for i in range(1, num_iterations+1):# 2.前向传播a2, cache = forward_propagation(X, parameters)# 3.计算代价函数cost = compute_cost(a2, Y, parameters)# 4.反向传播grads = backward_propagation(parameters, cache, X, Y)# 5.更新参数parameters = update_parameters(parameters, grads)# 每1000次迭代，输出一次代价函数
# =============================================================================
#         if print_cost and i % 1000 == 0:
#             print('迭代第%i次，代价函数为：%f' % (i, cost))
# =============================================================================print('迭代次数为：%i次，总的误差变化为：%f' % (i, cost-cost0))print('================================================================')print('================================================================')return parametersif __name__ == "__main__":# 读取数据f=open('F:\\小n\\智能计算\\实验\\实验3\\iris数据集\\iris-人工神经网络-训练集.txt')data_set = pd.read_table(f,sep=',', header=None)# 不同的取数据的方式X = data_set[data_set.columns[0:2]].values.TY = data_set[data_set.columns[2:3]].values.TY = Y.astype('uint8')# 输入2个节点，隐层5个节点，输出1个节点，迭代10000次parameters = nn_model(X, Y, n_h=5, n_input=2, n_output=1, num_iterations=10000, print_cost=True)# 对模型进行测试f1=open('F:\\小n\\智能计算\\实验\\实验3\\iris数据集\\iris-人工神经网络-测试集.txt')data_test = pd.read_csv(f1, header=None)x_test = data_test[data_test.columns[0:2]].values.Ty_test = data_test[data_test.columns[2:3]].values.Ty_test = y_test.astype('uint8')predict(parameters, x_test, y_test)

运行结果：

参考文章：
Python 基于BP神经网络的鸢尾花分类
pandas之 read_table函数读取txt文件

总结一下遇到的小问题：
（1）敲pandas出错？
（第一次用pandas库）误以为就是panda，运行的时候发现没有这个模块。
（2）利用pandas不能直接读含有中文的路径，否则会报错

 #路径中含有中文，pandas不能直接读，报错data_set = pd.read_table('F:\\小n\\智能计算\\实验\\实验3\\iris数据集\\iris-人工神经网络-训练集.txt',sep=',', header=None)#如何解决f=open('F:\\小n\\智能计算\\实验\\实验3\\iris数据集\\iris-人工神经网络-训练集.txt')data_set = pd.read_table(f,sep=',', header=None)

（3）如何用pandas来读取txt文件数据（非常方便，尤其是对txt文件中的数据切片取行或取列时），使用read_table()方法。pandas的read_table返回一个DataFrame，二维型的，会像一棋盘那样标识数据。事实上，所谓的txt文件中的数据就是一个DataFrame。如下图所示：

data_set = pd.read_table(f,sep=',', header=None)

其中，f是读入的txt文件的路径；sep=‘，’ 表示txt文件单行数据之间的分隔符为逗号，这个参数可缺省，默认为sep=‘\t’，制表符；header=None 表示txt文件的第一行不是列的名字，是数据。
（4）最简单的对DataFrame取列的方式：
（一个txt文件中的数据，就是一个DataFrame）

 X = data_set[data_set.columns[0:2]].values.T  #取第1,2列Y = data_set[data_set.columns[2:3]].values.T   #取第3列

（5）BP神经网络构建一个分类器的思路：
第一步：初始化参数（包括权值和偏置）
第二步：前向传播
第三步：计算代价函数
第四步：反向传播
第五步：更新参数
第六步：模型评估
其中：第二、三、四、五步是建立训练集的基础上进行的，得到一组训练后的权值和偏置，到目前为止就实现了一个分类器；以这一组新的权值和偏置作为测试集的初始化参数，通过前向传播的结果与真实结果的对比来估计这个分类器的好坏。

BP神经网络对鸢尾花进行分类相关推荐

Python 基于BP神经网络的鸢尾花分类
本文用Python实现了BP神经网络分类算法,根据鸢尾花的4个特征,实现3种鸢尾花的分类. 算法参考文章:纯Python实现鸢尾属植物数据集神经网络模型 2020.07.21更新: 增加了分类结果可视 ...
BP神经网络之鸢尾花
转载自:https://www.cnblogs.com/418ks/p/6053689.html BP神经网络基本原理: 误差逆传播(back propagation, BP)算法是一种计算单个权值变 ...
python构建bp神经网络_鸢尾花分类(一个隐藏层)__1.数据集
IDE:jupyter 目前我知道的数据集来源有两个,一个是csv数据集文件另一个是从sklearn.datasets导入 1.1 csv格式的数据集(下载地址已上传到博客园----数据集.rar) ...
【图像处理】——Python实现图像特征提取BP神经网络实现图像二分类
目录一.图像特征提取二.BP实现图像二分类 1.输入层.隐层.输出层结点个数设置 (1)one hot码(假设是n分类问题) (2)一个输出,输出层结点为1 一.图像特征提取图像具有灰度特征.G ...
利用神经网络对鸢尾花数据集分类
利用神经网络对鸢尾花数据集分类详细实现代码请见:https://download.csdn.net/download/weixin_43521269/12578696 一.简介一个人工神经元网络是 ...
gwo算法matlab源代码,智能优化算法应用：基于GWO优化BP神经网络 - 附代码
智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络文章目录智能优化算法应用:基于GWO优 ...
基于matlab国内外水果自动分级方面,水果自动识别的BP神经网络方法
摘要:针对多种水果混合的图像,对各种水果的提取和识别进行研究.利用Matlab软件进行图像数据获取.对比度增强.去噪.二值化处理:为弥补二值化后图像中出现的断边.孔洞,借助Sobel算子进行边缘提 ...
MATLAB水果自动识别的BP神经网络方法
水果自动识别的BP神经网络方法摘要:针对多种水果混合的图像,对各种水果的提取和识别进行研究.利用Matlab软件进行图像数据获取.对比度增强.去噪.二值化处理:为弥补二值化后图像中出现的断边.孔 ...
matlab水果定位与分割,利用Matlab软件和BP神经网络快速识别水果实现分拣
我国是水果生产与消费大国,我国水果不但品种丰富,而且以水果为原料的食品如罐头.果冻等加工产业也颇具规模.然而,在水果果料的加工过程中可能会不经意地混入诸如毛发.纤维丝.纸屑.金属.油漆等异物,从而对产 ...

BP神经网络对鸢尾花进行分类

BP神经网络对鸢尾花进行分类相关推荐

最新文章

热门文章