目标

使用Keras 训练一个简单的二分类模型，对下图中的点分类，其中训练特征为点的坐标(x, y)，红色标签为0，蓝色标签为1。

网络结构

二分类神经网络模型结构如下，其中：

输入层为点的坐标(x, y)。
输出层为点的标签[0, 1]，激活函数为sigmoid。
模型只包含一个隐藏层，隐藏层包含50个神经单元，激活函数为relu。

实现

数据

使用sklearn.makemoons()函数生成1000个测试样本，并按照7:3的比例拆成训练/测试集。


from sklearn.datasets import make_moons
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint
from matplotlib import pyplot
from keras.models import load_model
from matplotlib import pyplot
from pandas import DataFrame
from keras.layers import Dropout
import numpy as np# generate 2d classification dataset
X, y = make_moons(n_samples=1000, noise=0.1, random_state=1)
# scatter plot, dots colored by class value
df = DataFrame(dict(x=X[:,0], y=X[:,1], label=y))
colors = {0:'red', 1:'blue'}
fig, ax = pyplot.subplots()
grouped = df.groupby('label')
for key, group in grouped:group.plot(ax=ax, kind='scatter', x='x', y='y', label=key, color=colors[key])
pyplot.show()# split into train and test
n_train = int(X.shape[0] * 0.7)
trainX, testX = X[:n_train, :], X[n_train:, :]
trainy, testy = y[:n_train], y[n_train:]

模型

编辑模型，绘制训练结果：

model.add(Dense(50, input_dim=2, activation=‘relu’)) 描述了第一个隐藏层的结构。
model.add(Dense(1, activation=‘sigmoid’)) 描述了输出层的结构。
模型的损失函数(Loss)为 ‘binary_crossentropy’。
模型采用 ‘adam’ 梯度下降搜索算法。
模型执行1000(epochs=1000)次训练。


# define model
model = Sequential()
model.add(Dense(50, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])# fit model
history = model.fit(trainX, trainy, validation_data=(testX, testy), epochs=1000, verbose=1)
pyplot.plot(history.history['loss'], label='train')
pyplot.plot(history.history['val_loss'], label='test')
pyplot.legend()
pyplot.show()

验证

最后选择两个特殊的点（右下角蓝色与左上角红色）验证一下模型有效性：


testArray = np.array([[2.0, -1.0], [-2.0, 1.0]])
print(model.predict(testArray))[[1.0000000e+00] (蓝色）[1.4053326e-24] (红色)]

小结

trainX是 (700x2)的二维数据，其中每一行是一个训练数据，总共700个训练数据。
trainy是700维的向量，总共700个标签标记红色(0)或者蓝色(1)。
将训练/测试数据堆成一个二维数组可以有效利用cpu/gpu的并行计算加快训练速度。

Keras:我的第一个神经网络二分类模型相关推荐

AI：神经网络IMDB电影评论二分类模型训练和评估
AI:Keras神经网络IMDB电影评论二分类模型训练和评估,python import keras from keras.layers import Dense from keras import ...
Keras之ML~P：基于Keras中建立的简单的二分类问题的神经网络模型(根据200个数据样本预测新的5个样本)——概率预测
Keras之ML~P:基于Keras中建立的简单的二分类问题的神经网络模型(根据200个数据样本预测新的5个样本)--概率预测目录输出结果核心代码输出结果核心代码 # -*- coding: ...
Keras之ML~P：基于Keras中建立的简单的二分类问题的神经网络模型(根据200个数据样本预测新的5+1个样本)——类别预测
Keras之ML~P:基于Keras中建立的简单的二分类问题的神经网络模型(根据200个数据样本预测新的5+1个样本)--类别预测目录输出结果核心代码输出结果核心代码 # -*- codin ...
深度学习框架tensorflow二实战（训练一个简单二分类模型）
导入工具包 import os import warnings warnings.filterwarnings("ignore") import tensorflow as tf ...
[机器学习] 二分类模型评估指标---精确率Precision、召回率Recall、ROC|AUC
一为什么要评估模型? 一句话,想找到最有效的模型.模型的应用是循环迭代的过程,只有通过持续调整和调优才能适应在线数据和业务目标. 选定模型时一开始都是假设数据的分布是一定的,然而数据的分布会随着时间 ...
【Kay】机器学习——二分类模型的评价
一.评价二分类模型的好坏二分类问题:预测这条数据是0还是1的问题 1.混淆矩阵数字代表个数 2.准确率.精确率.召回率 ①准确率: ②精确率(查准率): ③召回率(查全率recall) : ④ ...
衡量二分类模型的统计指标（TN,TP,FN,FP,F1,准确,精确,召回,ROC,AUC）
文章目录 - 衡量二分类问题的统计指标分类结果混淆矩阵准确率精确率召回率 F1评分推导过程 ROC曲线.AUC - 衡量二分类问题的统计指标分类结果二分类问题,分类结果有以下四种情 ...
Python实现PSO粒子群优化循环神经网络LSTM分类模型项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景 PSO是粒子群优化算法(Particle Swarm Optim ...
独家 | 教你用不到30行的Keras代码编写第一个神经网络（附代码教程）
翻译:陈丹校对:和中华本文长度为3000字,建议阅读5分钟本文为大家介绍了如何使用Keras来快速实现一个神经网络. 回忆起我第一次接触人工智能的时候,我清楚地记得有些概念看起来是多么令人畏惧. ...
用神经网络二分类人脑与电脑
如果一个对象A,无论与B或C分类,分类的准确率都是50%,则A为一个具有智慧的对象. 用符号表示 ∵ (A,B)-n*m*k-(1,0)(0,1) 50%:50% ① (A,C)-n* ...

Keras:我的第一个神经网络二分类模型

我的第一个Keras神经网络二分类模型

目标

网络结构

实现

数据

模型

验证

小结

Keras:我的第一个神经网络二分类模型相关推荐

最新文章

热门文章