使用人工神經網絡 (ANN) 的分類模型

在機器學習術語中，分類是指預測建模問題，其中輸入數據被分類為預定義的標記類之一。 例如，預測是或否、真或假屬於二元分類類別，因為輸出的數量僅限於兩個標籤。

類似地，具有多個類別的輸出（例如對不同年齡組進行分類）稱為多類別分類問題。 分類問題是最常用或定義的 ML 問題類型之一，可用於各種用例。 有多種機器學習模型可用於分類問題。

從 Bagging 到 Boosting 技術雖然 ML 不僅能夠處理分類用例，但當我們擁有大量輸出類和大量數據來支持模型的性能時，神經網絡就會出現。 展望未來，我們將研究如何使用 Keras 上的神經網絡 (Python) 實現分類模型。

向世界頂尖大學學習人工智能課程。 獲得碩士、Executive PGP 或高級證書課程以加快您的職業生涯。

神經網絡

神經網絡鬆散地代表了人類大腦的學習。 人工神經網絡由神經元組成，而神經元又負責創建層。 這些神經元也稱為調諧參數。

每一層的輸出被傳遞到下一層。 每一層都有不同的非線性激活函數，這有助於學習過程和每一層的輸出。 輸出層也稱為終端神經元。

資料來源：維基百科

與神經元相關的權重和負責整體預測的權重在每個時期更新。 使用各種優化器優化學習率。 每個神經網絡都提供了一個成本函數，該函數隨著學習的繼續而最小化。 然後使用成本函數給出最佳結果的最佳權重。

閱讀：面向初學者的 TensorFlow 對象檢測教程

分類問題

在本文中，我們將使用 Keras 構建神經網絡。 可以使用以下命令在 python 中直接導入 Keras。

將張量流導入為 tf

從張量流導入 keras

從 keras.models 導入順序

從 keras.layers 導入密集

數據集和目標變量

我們將使用具有以下特徵的糖尿病數據集：

輸入變量 (X)：

• 懷孕次數：懷孕次數
• 葡萄糖：口服葡萄糖耐量試驗中 2 小時的血漿葡萄糖濃度
• 血壓：舒張壓 (mm Hg)
• SkinThickness：三頭肌皮褶厚度（mm）
• 胰島素：2 小時血清胰島素 (mu U/ml)
• BMI：體重指數（體重公斤/（身高米）^2）
• DiabetesPedigreeFunction：糖尿病譜系函數
• 年齡：年齡（歲）

輸出變量（y）：

結果：類別變量（0 或 1）[患者是否患有糖尿病]

# 加載數據集

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

# 將數據拆分為 X（輸入）和 Y（輸出）

X = 數據集[:,0:8]

y = 數據集[:,8]

定義 Keras 模型

我們可以開始使用順序模型構建神經網絡。 這種自上而下的方法有助於構建神經網絡架構並使用形狀和層。 第一層將具有可以使用 input_dim 修復的特徵數量。 在這種情況下，我們將其設置為 8。

創建神經網絡並不是一個非常容易的過程。 在建立一個好的模型之前，會發生許多試驗和錯誤。 我們將使用 keras 中的 Dense 類構建一個全連接的網絡結構。 神經元算作要提供給密集層的第一個參數。

可以使用激活參數設置激活函數。 在這種情況下，我們將使用 Rectified Linear Unit 作為激活函數。 還有其他選項，例如 Sigmoid 或 TanH，但 RELU 是一個非常通用且更好的選擇。

# 定義keras模型

模型=順序（）

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'））

編譯 Keras 模型

編譯模型是模型定義之後的下一步。 TensorFlow 用於模型編譯。 編譯是為模型訓練和預測設置參數的過程。 CPU/GPU 或分佈式內存可以在後台使用。

我們必須指定一個損失函數，用於評估不同層的權重。 優化器調整學習率並通過各種權重集。 在這種情況下，我們將使用二元交叉熵作為損失函數。 在優化器的情況下，我們將使用 ADAM，它是一種有效的隨機梯度下降算法。

它非常普遍地用於調音。 最後，因為這是一個分類問題，我們將收集並報告分類準確度，通過度量參數定義。 在這種情況下，我們將使用準確性。

# 編譯keras模型

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

模型擬合和評估

擬合模型本質上稱為模型訓練。 編譯模型後，模型準備好有效地檢查數據並進行自我訓練。 Keras 的 fit() 函數可用於模型訓練過程。 模型訓練前使用的兩個主要參數是：

1. Epochs：遍歷整個數據集。
2. 批量大小：每個批量大小都會更新權重。 時期由均勻分佈的數據批次組成。

# 在數據集上擬合 keras 模型

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

在此過程中使用 GPU 或 CPU。 訓練可能是一個非常漫長的過程，具體取決於時期、批量大小，最重要的是數據的大小。

我們還可以使用 evaluate() 函數在訓練數據集上評估模型。 數據可分為訓練集和測試集，測試 X 和 Y 可用於模型評估。

對於每個輸入和輸出對，這將產生一個預測並收集分數，包括平均損失和我們安裝的任何測量值，例如精度。

evaluate() 函數將返回一個包含兩個值的列表。 第一個是數據集上的模型損失，第二個是模型在數據集上的準確性。 我們只對報告的準確性感興趣，因此我們將忽略損失的重要性。

# 評估 keras 模型

_, 準確度 = model.evaluate(Xtest, ytest)

print('準確度: %.2f' % (準確度*100))

另請閱讀：神經網絡模型介紹

結論

我們創建並評估了一個基於分類的神經網絡。 儘管在這種情況下使用的數據很小，但神經網絡主要適用於大型數值數據集。

查看 upGrad 的機器學習和 NLP 高級證書課程。 本課程的設計考慮到對機器學習感興趣的各種學生，提供 1-1 指導等等。