第一个多层感知器实例:印第安人糖尿病诊断
多层感知器是最简单的神经网络模型,用于处理机器学习中的分类与回归问题。
第一个案例:印第安人糖尿病诊断
Pima Indians数据集:UCI Machine Learning免费下载的标准机器学习数据集。
http://archive.ics.uci.edu/ml/datasets
from keras.models import Sequential
from keras.layers import Dense
dataset = np.loadtxt('pima-indians-diabetes.csv',delimiter=',')
#通常采用sigmoid和tanh作为激活函数,这是构建所有层的首选。现在的研究表明,使用ReLU作为激活函数,可以得到更好的性能
model.add(Dense(12,input_dim=8,activation='relu'))
model.add(Dense(8,activation='relu'))
#最后输出层有1个神经元预测数据结构。二分类的输出层采用sigmoid作为激活函数
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])
model.fit(x=x,y=Y,epochs=150,batch_size=10)
scores = model.evaluate(x=x,y=Y)
print('\n%s:%.2f%%' %(model.metrics_names[1],scores[1]*100))
Categorical cross-entropy:多分类对数损失
该目标函数适用于多分类标签预测。它也是与激活函数softmax关联的默认选择。
Precision:查准率,衡量多分类问题中多少选择项是关联正确的。
Recall:查全率,衡量多分类问题中多少关联正确的数据被选出。
第一个多层感知器实例:印第安人糖尿病诊断相关推荐
- 基于Keras的第一个多层感知器实例:印第安人糖尿病诊断
本文将通过使用Keras构建一个简单的多层感知器,数据使用印第安人糖尿病诊断数据. 通过Keras构建深度学习模型的步骤如下: 定义模型--创建一个序贯模型并添加配置层 编译模型--指定损失函数和优化 ...
- 【Keras】学习笔记2:第一个多层感知器实例:印第安人糖尿病诊断
文章目录 1.导入数据 2.定义模型 3.编译模型 4.训练模型 5.评估模型 6.汇总代码 1.导入数据 在使用随机过程(如随机数)的机器学习算法时,最好使用固定随机种子初始化随机数生成器.这样就可 ...
- Keras多层感知器实例:印第安人糖尿病诊断
本实例使用Keras在python中创建一个神经网络模型,这是一个简单的贯序模型,也是神经网络最常见的模型.本实例按照以下步骤创建: 1. 导入数据. 2.定义模型 3.编译模型 4.训练模型 5.评 ...
- 深度学习入门系列1:多层感知器概述
本人正在学习<deep learning with python>–Jason Brownlee,有兴趣的可以一起学习. 仅供学习参考,不做商用! 大家好,我技术人Howzit,这是深度学 ...
- 多层感知器(MLP)详解【基于印第安人糖尿病数据】
文章目录: 1 概述 2 Pima印第安人数据集 3 导入数据和keras 4 定义模型 5 编译模型 6 训练 7 评估和预测 8 完整代码 1 概述 多层感知器是最简单的神经网络模型,用于处理机器 ...
- tensorflow实例-多层感知器
一.概念 感知器: 上图就是基本的处理元素,它具有输入.输出,每个输入关联一个连接权重,然后输出是输入的加权和. 上图就是一个单层的感知器,输入分别是X0.X1.X2,输出Y是输入的加权和: Y ...
- (深度学习快速入门)第三章第一节:多层感知器简介
文章目录 一:引入 二:定义 三:反向传播算法 四:构建多层感知器完成波士顿房价预测 一:引入 前文所讲到的波士顿房价预测案例中,涉及到的仅仅是一个非常简单的神经网络,它只含有输入层和输出层 但观察最 ...
- MP模型、单层感知器、多层感知器的理解
神经网络基础 序言 MP模型 1.逻辑与: 2.逻辑或: 3.逻辑异或: 单层感知器 多层感知器(BP) 序言 关于神经网络的内容已经学习了很多,也发现了一些问题,而这些问题是因为基础不牢靠引起的,所 ...
- 深度学习02-神经网络(MLP多层感知器)
文章目录 神经网络 简介 学习路径 分类 多层感知器(MLP) 神经网络认识 两层神经网络 输入层 从输入层到隐藏层 从隐藏层到输出层 激活层 输出的正规化 如何衡量输出的好坏 反向传播与参数优化 过 ...
最新文章
- 查看linux上面是否有安装redis,redis启动
- .net知识和学习方法系列(七)string类型
- [tarjan][树形dp] 洛谷 P2515 软件安装
- JSON数组分配输出每个li
- 【解决】make: 警告:检测到时钟错误。您的创建可能是不完整的
- 【写作技巧】毕业论文写作资料搜索库大全
- atitit.提升研发管理的利器---重型框架 框架 类库的区别
- igm焊接机器人基本操作_焊接机器人技术讲解.ppt
- python怎么下载numpy?
- mysql导出数据到csv文件
- 每日工作记录——任意小数分频研究
- iOS--通过assetURL获取到视频
- 抖音电影视频剪辑——电影版权问题
- Android视图绑定,设置控件点击事件不生效
- FTP上传下载失败或文件为空
- python3中join和格式化的用法 ##16
- #include <stdio.h>int main(){ int a, b, c; a = 5; c = ++a; b = ++c, c++, ++a, a++; b += a++ +
- console连接h3c s5500_H3C设备通过Console口登录设备的配置方法介绍
- opencv相机参数处理
- CentOS 7添加硬盘扩展根目录空间
热门文章
- visio中图形旋转任意角度
- 用二维数组写杨辉三角
- CCS error: symbol trace buf is defined multiple times
- opengl 摄像头移动
- iOS应用调试检测以及反调试
- python函数设计与使用_ZXD+Python函数设计与使用ppt课件
- 【2022---计算机考研】数据结构之线性表总结(超详细适合背诵)
- 教育部文科计算机大赛,重磅!教育部官方发布2019受认可的全部竞赛名单
- 如何将软件放到桌面上,举例:将控制面板放到桌面上
- 高等工程数学 —— 第二章 (1) Smith标准型与Jordan标准型