使用人工神经网络 (ANN) 的分类模型

在机器学习术语中，分类是指预测建模问题，其中输入数据被分类为预定义的标记类之一。 例如，预测是或否、真或假属于二元分类类别，因为输出的数量仅限于两个标签。

类似地，具有多个类别的输出（例如对不同年龄组进行分类）称为多类别分类问题。 分类问题是最常用或定义的 ML 问题类型之一，可用于各种用例。 有多种机器学习模型可用于分类问题。

从 Bagging 到 Boosting 技术虽然 ML 不仅能够处理分类用例，但当我们拥有大量输出类和大量数据来支持模型的性能时，神经网络就会出现。 展望未来，我们将研究如何使用 Keras 上的神经网络 (Python) 实现分类模型。

向世界顶尖大学学习人工智能课程。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。

神经网络

神经网络松散地代表了人类大脑的学习。 人工神经网络由神经元组成，而神经元又负责创建层。 这些神经元也称为调谐参数。

每一层的输出被传递到下一层。 每一层都有不同的非线性激活函数，这有助于学习过程和每一层的输出。 输出层也称为终端神经元。

资料来源：维基百科

与神经元相关的权重和负责整体预测的权重在每个时期更新。 使用各种优化器优化学习率。 每个神经网络都提供了一个成本函数，该函数随着学习的继续而最小化。 然后使用成本函数给出最佳结果的最佳权重。

阅读：面向初学者的 TensorFlow 对象检测教程

分类问题

在本文中，我们将使用 Keras 构建神经网络。 可以使用以下命令在 python 中直接导入 Keras。

将张量流导入为 tf

从张量流导入 keras

从 keras.models 导入顺序

从 keras.layers 导入密集

数据集和目标变量

我们将使用具有以下特征的糖尿病数据集：

输入变量 (X)：

• 怀孕次数：怀孕次数
• 葡萄糖：口服葡萄糖耐量试验中 2 小时的血浆葡萄糖浓度
• 血压：舒张压 (mm Hg)
• SkinThickness：三头肌皮褶厚度（mm）
• 胰岛素：2 小时血清胰岛素 (mu U/ml)
• BMI：体重指数（体重公斤/（身高米）^2）
• DiabetesPedigreeFunction：糖尿病谱系函数
• 年龄：年龄（岁）

输出变量（y）：

结果：类别变量（0 或 1）[患者是否患有糖尿病]

# 加载数据集

df= loadtxt('pima-indians-diabetes.csv', delimiter=',')

# 将数据拆分为 X（输入）和 Y（输出）

X = 数据集[:,0:8]

y = 数据集[:,8]

定义 Keras 模型

我们可以开始使用顺序模型构建神经网络。 这种自上而下的方法有助于构建神经网络架构并使用形状和层。 第一层将具有可以使用 input_dim 修复的特征数量。 在这种情况下，我们将其设置为 8。

创建神经网络并不是一个非常容易的过程。 在建立一个好的模型之前，会发生许多试验和错误。 我们将使用 keras 中的 Dense 类构建一个全连接的网络结构。 神经元算作要提供给密集层的第一个参数。

可以使用激活参数设置激活函数。 在这种情况下，我们将使用 Rectified Linear Unit 作为激活函数。 还有其他选项，例如 Sigmoid 或 TanH，但 RELU 是一个非常通用且更好的选择。

# 定义keras模型

模型=顺序（）

model.add（密集（12，input_dim=8，激活='relu'））

model.add（密集（8，激活='relu'））

model.add（密集（1，激活='sigmoid'））

编译 Keras 模型

编译模型是模型定义之后的下一步。 TensorFlow 用于模型编译。 编译是为模型训练和预测设置参数的过程。 CPU/GPU 或分布式内存可以在后台使用。

我们必须指定一个损失函数，用于评估不同层的权重。 优化器调整学习率并通过各种权重集。 在这种情况下，我们将使用二元交叉熵作为损失函数。 在优化器的情况下，我们将使用 ADAM，它是一种有效的随机梯度下降算法。

它非常普遍地用于调音。 最后，因为这是一个分类问题，我们将收集并报告分类准确度，通过度量参数定义。 在这种情况下，我们将使用准确性。

# 编译keras模型

model.compile(loss='binary_crossentropy'，优化器='adam'，metrics=['accuracy'])

模型拟合和评估

拟合模型本质上称为模型训练。 编译模型后，模型准备好有效地检查数据并进行自我训练。 Keras 的 fit() 函数可用于模型训练过程。 模型训练前使用的两个主要参数是：

1. Epochs：遍历整个数据集。
2. 批量大小：每个批量大小都会更新权重。 时期由均匀分布的数据批次组成。

# 在数据集上拟合 keras 模型

model.fit(X, y, epochs=150, batch_size=10)

在此过程中使用 GPU 或 CPU。 训练可能是一个非常漫长的过程，具体取决于时期、批量大小，最重要的是数据的大小。

我们还可以使用 evaluate() 函数在训练数据集上评估模型。 数据可分为训练集和测试集，测试 X 和 Y 可用于模型评估。

对于每个输入和输出对，这将产生一个预测并收集分数，包括平均损失和我们安装的任何测量值，例如精度。

evaluate() 函数将返回一个包含两个值的列表。 第一个是数据集上的模型损失，第二个是模型在数据集上的准确性。 我们只对报告的准确性感兴趣，因此我们将忽略损失的重要性。

# 评估 keras 模型

_, 准确度 = model.evaluate(Xtest, ytest)

print('准确度: %.2f' % (准确度*100))

另请阅读：神经网络模型介绍

结论

我们创建并评估了一个基于分类的神经网络。 尽管在这种情况下使用的数据很小，但神经网络主要适用于大型数值数据集。

查看 upGrad 的机器学习和 NLP 高级证书课程。 本课程的设计考虑到对机器学习感兴趣的各种学生，提供 1-1 指导等等。