神经网络(NN)实现多分类-----Keras实现

IRIS数据集介绍

  IRIS数据集（鸢尾花数据集），是一个经典的机器学习数据集，适合作为多分类问题的测试数据，它的下载地址为：http://archive.ics.uci.edu/ml/machine-learning-databases/iris/。
  IRIS数据集是用来给鸢尾花做分类的数据集，一共150个样本，每个样本包含了花萼长度（sepal length in cm）、花萼宽度（sepal width in cm）、花瓣长度（petal length in cm）、花瓣宽度（petal width in cm）四个特征，将鸢尾花分为三类，分别为Iris Setosa，Iris Versicolour，Iris Virginica，每一类都有50个样本。
  IRIS数据集具体如下（只展示部分数据，顺序已打乱）：

读取数据集

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import LabelBinarizer

# 读取CSV数据集，并拆分为训练集和测试集

# 该函数的传入参数为CSV_FILE_PATH: csv文件路径

def load_data(CSV_FILE_PATH):

    IRIS = pd.read_csv(CSV_FILE_PATH)

    target_var = 'class'  # 目标变量

    # 数据集的特征

    features = list(IRIS.columns)

    features.remove(target_var)

    # 目标变量的类别

    Class = IRIS[target_var].unique()

    # 目标变量的类别字典

    Class_dict = dict(zip(Class, range(len(Class))))

    # 增加一列target, 将目标变量进行编码

    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])

    # 对目标变量进行0-1编码(One-hot Encoding)

    lb = LabelBinarizer()

    lb.fit(list(Class_dict.values()))

    transformed_labels = lb.transform(IRIS['target'])

    y_bin_labels = []  # 对多分类进行0-1编码的变量

    for i in range(transformed_labels.shape[1]):

        y_bin_labels.append('y' + str(i))

        IRIS['y' + str(i)] = transformed_labels[:, i]

    # 将数据集分为训练集和测试集

    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \

                                                        train_size=0.7, test_size=0.3, random_state=0)

    return train_x, test_x, train_y, test_y, Class_dict

搭建DNN

  接下来，笔者将展示如何利用Keras来搭建一个简单的深度神经网络（DNN）来解决这个多分类问题。我们要搭建的DNN的结构如下图所示：

 

DNN模型的结构示意图

我们搭建的DNN由输入层、隐藏层、输出层和softmax函数组成，其中输入层由4个神经元组成，对应IRIS数据集中的4个特征，作为输入向量，隐藏层有两层，每层分别有5和6个神经元，之后就是输出层，由3个神经元组成，对应IRIS数据集的目标变量的类别个数，最后，就是一个softmax函数，用于解决多分类问题而创建。
  对应以上的DNN结构，用Keras来搭建的话，其Python代码如下：

 import keras as K

    # 2. 定义模型

    init = K.initializers.glorot_uniform(seed=1)

    simple_adam = K.optimizers.Adam()

    model = K.models.Sequential()

    model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))

    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))

    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))

    model.compile(loss='categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])

在这个模型中，我们选择的神经元激活函数为ReLU函数，损失函数为交叉熵（cross entropy），迭代的优化器（optimizer）选择Adam，最初各个层的连接权重（weights）和偏重（biases）是随机生成的。这样我们就讲这个DNN的模型定义完毕了。

训练及预测

  OK，定义完模型后，我们需要对模型进行训练、评估及预测。对于模型训练，我们每次训练的批数为1，共迭代100次，代码如下（接以上代码）：

   # 3. 训练模型

    b_size = 1

    max_epochs = 100

    print("Starting training ")

    h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=1)

    print("Training finished \n")

为了对模型有个评估，感知模型的表现，需要输出该DNN模型的损失函数的值以及在测试集上的准确率，其Python代码如下（接以上代码）：

  # 4. 评估模型

    eval = model.evaluate(test_x, test_y, verbose=0)

    print("Evaluation on test data: loss = %0.6f accuracy = %0.2f%% \n" \

          % (eval[0], eval[1] * 100) )

训练100次，输出的结果如下（中间部分的训练展示已忽略）：

Starting training

Epoch 1/100

  1/105 [..............................] - ETA: 17s - loss: 0.3679 - acc: 1.0000

 42/105 [===========>..................] - ETA: 0s - loss: 1.8081 - acc: 0.3095

 89/105 [========================>.....] - ETA: 0s - loss: 1.5068 - acc: 0.4270

105/105 [==============================] - 0s 3ms/step - loss: 1.4164 - acc: 0.4667

Epoch 2/100

  1/105 [..............................] - ETA: 0s - loss: 0.4766 - acc: 1.0000

 45/105 [===========>..................] - ETA: 0s - loss: 1.0813 - acc: 0.4889

 93/105 [=========================>....] - ETA: 0s - loss: 1.0335 - acc: 0.4839

105/105 [==============================] - 0s 1ms/step - loss: 1.0144 - acc: 0.4857

......

Epoch 99/100

  1/105 [..............................] - ETA: 0s - loss: 0.0013 - acc: 1.0000

 43/105 [===========>..................] - ETA: 0s - loss: 0.0447 - acc: 0.9767

 84/105 [=======================>......] - ETA: 0s - loss: 0.0824 - acc: 0.9524

105/105 [==============================] - 0s 1ms/step - loss: 0.0711 - acc: 0.9619

Epoch 100/100

  1/105 [..............................] - ETA: 0s - loss: 2.3032 - acc: 0.0000e+00

 51/105 [=============>................] - ETA: 0s - loss: 0.1122 - acc: 0.9608

 99/105 [===========================>..] - ETA: 0s - loss: 0.0755 - acc: 0.9798

105/105 [==============================] - 0s 1ms/step - loss: 0.0756 - acc: 0.9810

Training finished

Evaluation on test data: loss = 0.094882 accuracy = 97.78% 

可以看到，训练完100次后，在测试集上的准确率已达到97.78%，效果相当好。
  最后是对新数据集进行预测，我们假设一朵鸢尾花的4个特征为6.1,3.1,5.1,1.1，我们想知道这个DNN模型会把它预测到哪一类，其Python代码如下：

    import numpy as np

    # 5. 使用模型进行预测

    np.set_printoptions(precision=4)

    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)

    predicted = model.predict(unknown)

    print("Using model to predict species for features: ")

    print(unknown)

    print("\nPredicted softmax vector is: ")

    print(predicted)

    species_dict = {v:k for k,v in Class_dict.items()}

    print("\nPredicted species is: ")

    print(species_dict[np.argmax(predicted)])

输出的结果如下：

Using model to predict species for features:

[[ 6.1  3.1  5.1  1.1]]

Predicted softmax vector is:

[[  2.0687e-07   9.7901e-01   2.0993e-02]]

Predicted species is:

versicolor

如果我们仔细地比对IRIS数据集，就会发现，这个预测结果令人相当满意，这个鸢尾花样本的预测结果，以人类的眼光来看，也应当是versicolor。

最后，附上该DNN模型的完整Python代码：

# iris_keras_dnn.py

# Python 3.5.1, TensorFlow 1.6.0, Keras 2.1.5

# ========================================================

# 导入模块

import os

import numpy as np

import keras as K

import tensorflow as tf

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import LabelBinarizer

os.environ['TF_CPP_MIN_LOG_LEVEL']=''

# 读取CSV数据集，并拆分为训练集和测试集

# 该函数的传入参数为CSV_FILE_PATH: csv文件路径

def load_data(CSV_FILE_PATH):

    IRIS = pd.read_csv(CSV_FILE_PATH)

    target_var = 'class'  # 目标变量

    # 数据集的特征

    features = list(IRIS.columns)

    features.remove(target_var)

    # 目标变量的类别

    Class = IRIS[target_var].unique()

    # 目标变量的类别字典

    Class_dict = dict(zip(Class, range(len(Class))))

    # 增加一列target, 将目标变量进行编码

    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])

    # 对目标变量进行0-1编码(One-hot Encoding)

    lb = LabelBinarizer()

    lb.fit(list(Class_dict.values()))

    transformed_labels = lb.transform(IRIS['target'])

    y_bin_labels = []  # 对多分类进行0-1编码的变量

    for i in range(transformed_labels.shape[1]):

        y_bin_labels.append('y' + str(i))

        IRIS['y' + str(i)] = transformed_labels[:, i]

    # 将数据集分为训练集和测试集

    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \

                                                        train_size=0.7, test_size=0.3, random_state=0)

    return train_x, test_x, train_y, test_y, Class_dict

def main():

    # 0. 开始

    print("\nIris dataset using Keras/TensorFlow ")

    np.random.seed(4)

    tf.set_random_seed(13)

    # 1. 读取CSV数据集

    print("Loading Iris data into memory")

    CSV_FILE_PATH = 'E://iris.csv'

    train_x, test_x, train_y, test_y, Class_dict = load_data(CSV_FILE_PATH)

    # 2. 定义模型

    init = K.initializers.glorot_uniform(seed=1)

    simple_adam = K.optimizers.Adam()

    model = K.models.Sequential()

    model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))

    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))

    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))

    model.compile(loss='categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])

    # 3. 训练模型

    b_size = 1

    max_epochs = 100

    print("Starting training ")

    h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=1)

    print("Training finished \n")

    # 4. 评估模型

    eval = model.evaluate(test_x, test_y, verbose=0)

    print("Evaluation on test data: loss = %0.6f accuracy = %0.2f%% \n" \

          % (eval[0], eval[1] * 100) )

    # 5. 使用模型进行预测

    np.set_printoptions(precision=4)

    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)

    predicted = model.predict(unknown)

    print("Using model to predict species for features: ")

    print(unknown)

    print("\nPredicted softmax vector is: ")

    print(predicted)

    species_dict = {v:k for k,v in Class_dict.items()}

    print("\nPredicted species is: ")

    print(species_dict[np.argmax(predicted)])

main()

链接：https://www.jianshu.com/p/1d88a6ed707e
来源：简书