百度联盟广告怎么屏蔽_人物介绍网页设计_免费信息推广网站_近期国内外重大新闻10条

目录

1.导包

2.加载数据

3.获取X与Y数据 

 4.将X，Y数据转化成tensor张量, tensor张量必须是二维数据

5.用封装的API实现线性分类 

5.1导包

 5.2建模-神经网络（二分类问题）

5.3定义损失函数 

 5.4定义优化器

 5.5定义训练过程

5.6 计算正确率

---

 

1.导包

import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2.加载数据

data = pd.read_csv('./dataset/credit-a.csv', header = None)data.head()  #查看读取数据的前5条

data.shape

(653, 16)

3.获取X与Y数据 

#前15列式特征，最后一列是标记（二分类的目标结果）
X = data.iloc[:, :-1]  #dataframe的切片索引数据：所有的行数据都要，最后一列数据不要
Y = data.iloc[:, -1]  #行都要，列数据只要最后一列

X.shape

(653, 15)

Y.shape

(653,)

# 在机器学习与深度学习中，series数据结构是不能做为分类标记，  series数据结构不属于一维数据结构，也不是二维数据结构
Y  #Y原数据是series

 

X

X.values  #是二维数组

array([[0.000e+00, 3.083e+01, 0.000e+00, ..., 0.000e+00, 2.020e+02,0.000e+00],[1.000e+00, 5.867e+01, 4.460e+00, ..., 0.000e+00, 4.300e+01,5.600e+02],[1.000e+00, 2.450e+01, 5.000e-01, ..., 0.000e+00, 2.800e+02,8.240e+02],...,[1.000e+00, 2.525e+01, 1.350e+01, ..., 0.000e+00, 2.000e+02,1.000e+00],[0.000e+00, 1.792e+01, 2.050e-01, ..., 0.000e+00, 2.800e+02,7.500e+02],[0.000e+00, 3.500e+01, 3.375e+00, ..., 0.000e+00, 0.000e+00,0.000e+00]])

Y.values  #是一维数组

 

Y.replace(-1, 0, inplace=True) #将Y数据中的-1替换成0，inplace=True表示修改原数据， 方便后续求分类概率
Y

 

 4.将X，Y数据转化成tensor张量, tensor张量必须是二维数据

#将X，Y数据转化成tensor张量, tensor张量必须是二维数据
X = torch.from_numpy(X.values).type(torch.FloatTensor)
Y = torch.from_numpy(Y.values.reshape(-1, 1)).type(torch.FloatTensor)

5.用封装的API实现线性分类 

5.1导包

# 回归和分类之间, 区别其实不大. 回归后面加上一层sigmoid, 就变成分类.
from torch import nn  #导入神经网络nn

 5.2建模-神经网络（二分类问题）

#建模：建立神经网络 （二分类问题）
model = nn.Sequential(nn.Linear(15, 1),    #隐藏层的模型 （输入维度，输出维度）nn.Sigmoid()  #输出层的激活函数
)

model  #查看模型的网络层数与信息

Sequential((0): Linear(in_features=15, out_features=1, bias=True)(1): Sigmoid()
)

5.3定义损失函数 

# BCE binary cross entroy 二分类的交叉熵损失函数  ，用于二分类问题
loss_fn = nn.BCELoss()

 5.4定义优化器

#定义优化器(第一个参数是模型需要更新的参数)
opt = torch.optim.SGD(model.parameters(), lr=0.0001)

X.shape

torch.Size([653, 15])

X.shape[0]

653

 5.5定义训练过程

#声明参数
batch_size = 32  #每次训练要取的数据量
steps = X.shape[0] // batch_size  #取数据的次数

steps

20

#定义训练过程
for epoch in range(1000):  #训练1000次for batch in range(steps):#获取起始索引start = batch * batch_sizeend = start + batch_size#获取x，y数据x = X[start: end]y = Y[start: end]#预测数据y_pred = model(x)#计算损失函数loss = loss_fn(y_pred, y)#梯度（迭代参数）清零opt.zero_grad()#反向传播，求导w和bloss.backward()#更新参数opt.step()

model.state_dict()  #查看模型训练的参数结果

OrderedDict([('0.weight',tensor([[-0.2032,  0.0212, -0.0182,  0.0338, -0.0985,  0.0473,  0.0367, -0.2860,0.4145,  0.0227, -0.3472,  0.2760,  0.1583,  0.0106, -0.0017]])),('0.bias', tensor([0.0978]))])

5.6 计算正确率

# 计算正确率
# 设定阈值
# 现在预测得到的是概率. 我们根据阈值, 把概率转化为类别, 就可以计算准确率. 
#每次训练的准确率都不同
((model(X).data.numpy() > 0.5) == Y.numpy()).mean()

0.7611026033690659

X.shape

torch.Size([653, 15])

model(X)

输出数据如下： （部分数据）

 

model(X).data

 

model(X).data.numpy()

 

model(X).data.numpy() > 0.5

 

Y.numpy()