Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 5-03-神經(jīng)網(wǎng)絡(luò)分類任務(wù)實施

主講人：陳清華神經(jīng)網(wǎng)絡(luò)分類分析任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程鳶尾花分類分析會設(shè)計神經(jīng)網(wǎng)絡(luò)實現(xiàn)分類分析；會使用Tensorflow實現(xiàn)設(shè)計的神經(jīng)網(wǎng)絡(luò)分類器；會運(yùn)用神經(jīng)網(wǎng)絡(luò)對鳶尾花進(jìn)行分類分析；會對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整和優(yōu)化。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標(biāo)準(zhǔn)任務(wù)解決方案代碼解析使用Tensorflow設(shè)計神經(jīng)網(wǎng)絡(luò)實現(xiàn)鳶尾花分類iris.csv教學(xué)難點任務(wù)工單神經(jīng)網(wǎng)絡(luò)分類器可以通過學(xué)習(xí)數(shù)據(jù)中的模式，對不同種類的數(shù)據(jù)進(jìn)行分類?，F(xiàn)基于前續(xù)任務(wù)得到數(shù)據(jù)及分類結(jié)果，進(jìn)一步設(shè)計神經(jīng)網(wǎng)絡(luò)并訓(xùn)練模型實現(xiàn)鳶尾花類別判定。最后，區(qū)分這三個算法的異同。任務(wù)概述

基于花萼長度、花萼寬度、花瓣長度、花瓣寬度和鳶尾花類別數(shù)據(jù)，設(shè)計神經(jīng)網(wǎng)絡(luò)分類器實現(xiàn)分類分析。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：數(shù)據(jù)源iris.csv顯示結(jié)果

任務(wù)要求任務(wù)概述神經(jīng)網(wǎng)絡(luò)模型評估K近鄰算法隨機(jī)森林（1）神經(jīng)網(wǎng)絡(luò)如何用來做分類分析的？結(jié)合應(yīng)用，說明其中的原理。（2）神經(jīng)網(wǎng)絡(luò)在TensorFlow中是如何靈活實現(xiàn)的？（3）在設(shè)計神經(jīng)網(wǎng)絡(luò)時，結(jié)構(gòu)中哪些參數(shù)比較關(guān)鍵？（4）激活函數(shù)有何作用？其選取有何規(guī)律？學(xué)習(xí)率又該取值？（5）比較神經(jīng)網(wǎng)絡(luò)分類算法與前述兩種不同分類方法的優(yōu)劣，其優(yōu)勢體現(xiàn)在哪里？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分?jǐn)?shù)評定自我評價1.任務(wù)實施模型初始化4分導(dǎo)入正確得1分，模型設(shè)計正確得1分，模型構(gòu)建正確得1分，模型參數(shù)會修改得1分

模型訓(xùn)練2分模型訓(xùn)練順利執(zhí)行得1分，會正確調(diào)整參數(shù)得1分

2.效果評估模型評估報告展現(xiàn)2分能準(zhǔn)確解釋各個指標(biāo)的含義得1分，模型準(zhǔn)確率92%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論2分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分，能有效比較三種方法的異同得1分

合計10分

任務(wù)解決方案核心部分代碼：輸入與輸出importtensorflowastf#添加占位符，四個輸入x_data=tf.placeholder(shape=[None,4],dtype=tf.float32)#添加占位符，一個輸出y_target=tf.placeholder(shape=[None,1],dtype=tf.float32)4個輸入1個輸出任務(wù)解決方案核心部分代碼：#定義如何添加一個隱藏層的函數(shù)defadd_layer(input_layer,input_num,output_num):weights=tf.Variable(tf.random_normal(shape=[input_num,output_num]))biase=tf.Variable(tf.random_normal(shape=[output_num]))hidden_output=tf.nn.relu(tf.add(tf.matmul(input_layer,weights),biase))returnhidden_output任務(wù)解決方案核心部分代碼：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)#定義三層隱藏層對應(yīng)的節(jié)點個數(shù)hidden_layer_nodes=[10,8,10]#

輸入層hidden_output=add_layer(x_data,4,hidden_layer_nodes[0])#循環(huán)添加三層隱藏層foriinrange(len(hidden_layer_nodes[:-1])):hidden_output=add_layer(hidden_output,hidden_layer_nodes[i],hidden_layer_nodes[i+1])#

輸出層final_output=add_layer(hidden_output,hidden_layer_nodes[-1],1)任務(wù)解決方案核心部分代碼：#定義損失函數(shù)，使得誤差最小loss=tf.reduce_mean(tf.square(y_target-final_output))#設(shè)置學(xué)習(xí)率來調(diào)整每一步更新的大小my_opt=tf.train.GradientDescentOptimizer(learning_rate=0.00004)#優(yōu)化目標(biāo)：最小化損失函數(shù)train_step=my_opt.minimize(loss)init=tf.global_variables_initializer()sess=tf.Session()sess.run(init)任務(wù)解決方案核心部分代碼：訓(xùn)練loss_vec=[] #訓(xùn)練損失test_loss=[] #測試損失#訓(xùn)練次數(shù)foriinrange(10000):

#訓(xùn)練sess.run(train_step,feed_dict={x_data:x_train,y_target:y_train})

#訓(xùn)練數(shù)據(jù)評估模型temp_loss=sess.run(loss,feed_dict={x_data:x_train,y_target:y_train})loss_vec.append(np.sqrt(temp_loss))

#測試數(shù)據(jù)評估模型test_temp_loss=sess.run(loss,feed_dict={x_data:x_test,y_target:y_test})test_loss.append(np.sqrt(test_temp_loss))if(i+1)%1000==0:print('Generation:'+str(i+1)+'.Loss='+str(temp_loss))任務(wù)解決方案核心部分代碼：預(yù)測應(yīng)用test_preds=[np.round(item,0)

foritemin

sess.run(final_output,feed_dict={x_data:x_test})]train_preds=[np.round(item,0)

foritemin

sess.run(final_output,feed_dict={x_data:x_train})]y_test=[iforiiny_test['Cluster']]y_train=[iforiiny_train['Cluster']]任務(wù)解決方案核心部分代碼：模型評估test_acc=np.mean([i==jfori,jinzip(test_preds,y_test)])*100train_acc=np.mean([i==jfori,jinzip(train_preds,y_train)])*100print('訓(xùn)練數(shù)