深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-逻辑回归与交叉熵概述-05

线性回归预测的是一个连续值，逻辑回归给出的“是”和“否”的答案一个二元分类的问题。
sigmoid函数是一个概率分布函数，给定某个输入，它将输出为一个概率值。

逻辑回归损失函数

交叉熵损失函数

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None)
print(data.head())
print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看该目标是一个二分类数据

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None)
print(data.head())
print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看该目标是一个二分类数据
x = data.iloc[:,:-1] # 特征值
y = data.iloc[:,-1].replace(-1,0) #目标值 （我们把-1替换成0 ）
print(x,y)

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None)
#print(data.head())
print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看该目标是一个二分类数据
x = data.iloc[:,:-1] # 特征值
y = data.iloc[:,-1].replace(-1,0) #目标值 （我们把-1替换成0 ）
# print(x,y)
# 简历模型（顺序模型）
module = tf.keras.Sequential()
# 添加输入层 （二层）(4个隐藏单元，形状15列，使用relu激活)
module.add(tf.keras.layers.Dense(4,input_shape=(15,),activation="relu")) #一层
module.add(tf.keras.layers.Dense(4,activation="relu")) # 二层
# 添加输出层
module.add(tf.keras.layers.Dense(1,activation="sigmoid"))
print(module.summary())

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None)
#print(data.head())
print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看该目标是一个二分类数据
x = data.iloc[:,:-1] # 特征值
y = data.iloc[:,-1].replace(-1,0) #目标值 （我们把-1替换成0 ）
# print(x,y)
# 简历模型（顺序模型）
module = tf.keras.Sequential()
# 添加输入层 （二层）(4个隐藏单元，形状15列，使用relu激活)
module.add(tf.keras.layers.Dense(4,input_shape=(15,),activation="relu")) #一层
module.add(tf.keras.layers.Dense(4,activation="relu")) # 二层
# 添加输出层
module.add(tf.keras.layers.Dense(1,activation="sigmoid"))
#print(module.summary())
module.compile(optimizer="adam",loss="binary_crossentropy",metrics=["acc"])
# 训练模型
history = module.fit(x,y,epochs=100)
#History对象已经记录了运行输出，回调函数记录损失和准确率等
print(history.history.keys())
plt.plot(history.epoch,history.history.get("loss"))# 对损失值进行绘图
plt.show()
plt.plot(history.epoch,history.history.get("acc"))# 对准确率进行绘图
plt.show()

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-逻辑回归与交叉熵概述-05相关推荐

日月光华深度学习（一、二）深度学习基础和tf.keras
日月光华深度学习(一.二)深度学习基础和tf.keras [2.2]--tf.keras实现线性回归 [2.5]--多层感知器(神经网络)的代码实现 [2.6]--逻辑回归与交叉熵 [2.7]--逻辑 ...
图片基础与tf.keras介绍
图片基础与tf.keras介绍 1.1 图像基本知识回忆:之前在特征抽取中如何将文本处理成数值. 思考:如何将图片文件转换成机器学习算法能够处理的数据? 我们经常接触到的图片有两种,一种是黑白图片( ...
深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-优化函数，学习速率，反向传播，网络优化与超参数选择，Dropout 抑制过拟合概述-07
多层感知器: 优化使用梯度下降算法学习速率学习速率选取原则反向传播 SGD RMSprop Adam learning_rate=0.01 # -*- coding: utf-8 -*- # - ...
二分类交叉熵损失函数python_【深度学习基础】第二课：softmax分类器和交叉熵损失函数...
[深度学习基础]系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记. 本文为原创文章,未经本人允许,禁止转载.转载请注明出处. 1.线性分类如果我们使用一个线性分类器去进行图像分类该怎 ...
吴恩达《神经网络和深度学习》第二周编程作业—用神经网络思想实现逻辑回归
吴恩达<神经网络和深度学习>-用神经网络思想实现逻辑回归 1 安装包 2 问题概述 3 学习算法的一般架构 4 构建算法的各个部分 4.1 激活函数 4.2 初始化参数 4.3 前向和后向 ...
【机器学习基础】(三)：理解逻辑回归及二分类、多分类代码实践
本文是机器学习系列的第三篇,算上前置机器学习系列是第八篇.本文的概念相对简单,主要侧重于代码实践. 上一篇文章说到,我们可以用线性回归做预测,但显然现实生活中不止有预测的问题还有分类的问题.我们可以从 ...
深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-tf.keras函数式API-08
import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt %matplotlib inl ...
深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-softmax多分类-06
softmax分类 Fashion MNIST数据集 import tensorflow as tf import pandas as pd import numpy as np import mat ...
深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04
多层感知器计算输入特征得加权和,然后使用一个函数激活(或传递函数)计算输出. 单个神经元多个神经元单层神经元缺陷多层感知器多层感知器激活函数 relu:曲线如下图,假如过来的函数是x当x小 ...

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-逻辑回归与交叉熵概述-05

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-逻辑回归与交叉熵概述-05相关推荐

最新文章

热门文章