关于数据集
- 数据集下载
- 数据预览
- 数据集预处理
- - 删除列数据
  - 查看各个特征值的缺失值情况
  - null值填充
  - 字符串数据转化为数值
  - dataframe数据转化为ndarray数据
  - 数据标准化
  - 总述
keras多层感知机模型构建
- 线性模型构建
- 模型编译及训练
- 训练结果可视化
- 测试数据集
- 模型保存

关于数据集

数据集下载

传送门：kaggle官网
本博客参考：《tensorflow+keras深度学习人工智能实践应用林大贵著》

数据预览

列数据说明

列标签	描述	数据处理方向
PassengerId	乘客Id号	丢弃（与是否幸存无关）
Survived	是否幸存	label值
Pclass	仓位等级	特征值
Name	乘客姓名	丢弃（该特征与是否幸存无关）
Sex	乘客性别	特征值
Age	年龄	特征值
SibSp	同船的兄弟姐妹的数量	特征值
Parch	同船的父辈数量	特征值
Ticket	票号	丢弃（与幸存无关）
Fare	乘客体热指标	特征值
Cabin	乘客所在船舱号	丢弃（该特征值大量缺失）
Embarked	登船的港口号	特征值
-	-	-
（各计）12	-	（合计）特征值：7 label值：1 丢弃：4

数据集预处理

删除列数据

在上面的表格中我们已经分析了我们需要的特征值，也提到了需要对齐的特征值，下面我们先将要丢弃的特征值删除

查看各个特征值的缺失值情况

因为这个数据集中的一些列中存在null值，我们先查看一下都有哪些列包含null值

我们看到数据集中只有Age（年龄）列和Embarked（登船港口号）列存在缺失值，对于前者我们将Null值填充为平均年龄，对于后者我们将Null值填充为“C”、“S”、“Q”中的任意一个（实际上这么做并不标准，但是考虑到该特征值对结果的影响程度以及缺失值数量，这么做对结果的影响并不大）

isnull()：判断缺失值
sum ()：返回用户所请求轴的值之和
df.isnull().sum()：直接返回每列缺失值的数量
df.isnull().any()：判断哪些列包含缺失值

null值填充

字符串数据转化为数值

我们先来看看现在的数据是什么样的

Sex列的性别和Embarked列的登船港口号需要转换

unique()：相当于set()函数，用于数据去重，执行结束后labels=[‘C’,‘S’,‘Q’]

Series.apply(function(x)):一一取出Series中的数据执行作为function函数的实参，并返回function函数执行后的结果，次此处将将Embarked列的"C"“S”"Q"等转化为labels列表的索引，实现字符串数据向数值数据的转换

df.nunique()：返回df某一列元素的种类

dataframe数据转化为ndarray数据

下面我们先来看看目前数据是什么样子的

ok，现在是纯数值，我们要分别取出特征值和labels值将其转化为ndarray数组作为模型输入值

数据标准化

我们来看看x_train数据

现在的问题是：各列的数据差别太大。
上面的图片中的我们看到有最小的数据是0，最大的数据是71，数据差值太大，如果不做处理不利于模型的拟合，而且训练出的模型表现也不好
如果我们能把数据转化使其在区间（0,1）之间，就能解决这个问题，还好sklearn.proprocessing模块为我们提供了相应的函数

过程如下

总述

def deal_data(path,is_test_data=False):data=pd.read_csv(path)data.drop(['Ticket','Cabin','PassengerId'],axis=1,inplace=True)if not is_test_data:data.drop(['Name'],axis=1,inplace=True)data['Age'].fillna(data['Age'].mean(),inplace=True)data['Sex']=(data['Sex']=='male').astype('int')data['Embarked'].fillna('C',inplace=True)labels=data['Embarked'].unique().tolist()data['Embarked']=data['Embarked'].apply(lambda n:labels.index(n))return data

ok，到这，数据集的预处理基本完成，下面开始建立多层感知机模型

keras多层感知机模型构建

线性模型构建

模型编译及训练

训练结果可视化

从上面的可视化图中我们发现，在epoch=10时，准确率就已经接近最大值了，这是因为我们的数据集中数据太少了，而且建立的多层感知机模型也比较简单

测试数据集

y_test=pd.read_csv(path1)['Survived']
x_test=data_deal(path,)

模型保存

model.save('model_demo1.h5')

keras多层感知机+titanic数据集相关推荐

深度学习框架 TensorFlow：张量、自动求导机制、tf.keras模块(Model、layers、losses、optimizer、metrics)、多层感知机(即多层全连接神经网络 MLP)
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 安装 TensorFlow2.CUDA10.cuDNN7.6. ...
多层感知机MLP常见的超参数有哪些？如果MLP模型对于数据集过拟合了，如何调整这些超参数来进行解决？
多层感知机MLP常见的超参数有哪些?如果MLP模型对于数据集过拟合了,如何调整这些超参数来进行解决? 目录
（pytorch-深度学习系列）pytorch实现多层感知机（自动定义模型）对Fashion-MNIST数据集进行分类-学习笔记
pytorch实现多层感知机(自动定义模型)对Fashion-MNIST数据集进行分类导入模块: import torch from torch import nn from torch.nn im ...
（pytorch-深度学习系列）pytorch实现多层感知机（手动定义模型）对Fashion-MNIST数据集进行分类-学习笔记
pytorch实现多层感知机对Fashion-MNIST数据集进行分类(手动定义模型) 多层感知机: 多层感知机在单层神经网络的基础上引入了一到多个隐藏层(hidden layer).隐藏层位于输入层 ...
【ML】基于机器学习的心脏病预测研究(附代码和数据集，多层感知机模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...
TensorFlow实现多层感知机函数逼近
TensorFlow实现多层感知机函数逼近准备工作对于函数逼近,这里的损失函数是 MSE.输入应该归一化,隐藏层是 ReLU,输出层最好是 Sigmoid. 下面是如何使用 MLP 进行函数逼近的 ...
什么是深度学习？kears简介，深度学习常用的三大模型，MLP(多层感知机)，CNN(卷积神经网络)，RNN(循环神经网络)
什么是深度学习? 简单理解深度学习就是人类容易做的事情,机器不容易完成的事情.(实例:人脸识别,这个例子很好的证明了这句话.假如你识别一个人 ,今天这个人长这个样子,明天脸上有一块伤口,我们人是不是还 ...
TensorFlow基础之模型建立与训练：线性回归、MLP多层感知机、卷积神经网络
TensorFlow基础之模型建立与训练模型建立与训练:简单的线性回归 MLP多层感知机数据获取.预处理模型搭建训练与评估卷积神经网络高效建模 Keras Sequential高效建模 F ...
TensorFlow实现多层感知机MINIST分类
TensorFlow实现多层感知机MINIST分类 TensorFlow 支持自动求导,可以使用 TensorFlow 优化器来计算和使用梯度.使用梯度自动更新用变量定义的张量.本文将使用 Tenso ...

keras多层感知机+titanic数据集

目录