使用Tensorflow自定义一个线性分类器对‘良/恶性乳腺癌肿瘤’进行预测
2018-02-12 00:12
162 查看
1 Tensorflow作为一个开源框架,在深度学习与机器学习方面有着很大的应用。
对于Tensorflw就不作介绍,仅仅对其应用简单的实现一下
利用tensorflow自定义一个线性分类器对‘良/恶性乳腺癌肿瘤’进行预测
2 代码实现及结果截图
#coding:utf-8
#使用tensorflow自定义一个线性分类器对‘良/恶性乳腺癌肿瘤’进行预测
import tensorflow as tf
import numpy as np
import pandas as pd
train=pd.read_csv('/home/guo/桌面/Work/shuju/Breast-Cancer/breast-cancer-train.csv')
test=pd.read_csv('/home/guo/桌面/Work/shuju/Breast-Cancer/breast-cancer-test.csv')
x_train=np.float32(train[['Clump Thickness','Cell Size']].T)
y_train=np.float32(train['Type'].T)
x_test=np.float32(test[['Clump Thickness','Cell Size']].T)
y_test=np.float32(test['Type'].T)
#定义模型
b=tf.Variable(tf.zeros([1]))
w=tf.Variable(tf.random_uniform([1,2],-1,.0,1.0))
y=tf.matmul(w, x_train)+b
loss=tf.reduce_mean(tf.square(y-y_train))
optimizer=tf.train.GradientDescentOptimizer(0.01)
train=optimizer.minimize(loss)
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
for step in xrange(0,1000):
sess.run(train)
if step%200==0:
print step,sess.run(w),sess.run(b)
test_negative=test.loc[test['Type']==0][['Clump Thickness','Cell Size']]
test_positive=test.loc[test['Type']==0][['Clump Thickness','Cell Size']]
import matplotlib.pyplot as plt
plt.scatter(test_negative['Clump Thickness'], test_negative['Cell Size'],marker='o',s=200,c='red')
plt.scatter(test_positive['Clump Thickness'], test_positive['Cell Size'],marker='x',s=150,c='black')
plt.xlabel('Clump Thickness')
plt.ylabel('Cell Size')
lx=np.arange(0,12)
ly=(0.5-sess.run(b)-lx*sess.run(w)[0][0])/sess.run(w)[0][1]
plt.plot(lx,ly,color='green')
plt.show()
对于Tensorflw就不作介绍,仅仅对其应用简单的实现一下
利用tensorflow自定义一个线性分类器对‘良/恶性乳腺癌肿瘤’进行预测
2 代码实现及结果截图
#coding:utf-8
#使用tensorflow自定义一个线性分类器对‘良/恶性乳腺癌肿瘤’进行预测
import tensorflow as tf
import numpy as np
import pandas as pd
train=pd.read_csv('/home/guo/桌面/Work/shuju/Breast-Cancer/breast-cancer-train.csv')
test=pd.read_csv('/home/guo/桌面/Work/shuju/Breast-Cancer/breast-cancer-test.csv')
x_train=np.float32(train[['Clump Thickness','Cell Size']].T)
y_train=np.float32(train['Type'].T)
x_test=np.float32(test[['Clump Thickness','Cell Size']].T)
y_test=np.float32(test['Type'].T)
#定义模型
b=tf.Variable(tf.zeros([1]))
w=tf.Variable(tf.random_uniform([1,2],-1,.0,1.0))
y=tf.matmul(w, x_train)+b
loss=tf.reduce_mean(tf.square(y-y_train))
optimizer=tf.train.GradientDescentOptimizer(0.01)
train=optimizer.minimize(loss)
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
for step in xrange(0,1000):
sess.run(train)
if step%200==0:
print step,sess.run(w),sess.run(b)
test_negative=test.loc[test['Type']==0][['Clump Thickness','Cell Size']]
test_positive=test.loc[test['Type']==0][['Clump Thickness','Cell Size']]
import matplotlib.pyplot as plt
plt.scatter(test_negative['Clump Thickness'], test_negative['Cell Size'],marker='o',s=200,c='red')
plt.scatter(test_positive['Clump Thickness'], test_positive['Cell Size'],marker='x',s=150,c='black')
plt.xlabel('Clump Thickness')
plt.ylabel('Cell Size')
lx=np.arange(0,12)
ly=(0.5-sess.run(b)-lx*sess.run(w)[0][0])/sess.run(w)[0][1]
plt.plot(lx,ly,color='green')
plt.show()
相关文章推荐
- P142-144使用Tensorflow自定义一个线性分类器用于对“良/恶性乳腺癌肿瘤”进行预测
- 使用tensorflow自定义线性分类器预测 良/恶性肿瘤
- 良/恶性乳腺癌肿瘤预测---线性分析
- 以“良/恶性乳腺癌肿瘤预测”为例学习二分类问题
- 良/恶性乳腺癌肿瘤预测
- tensorflow保存网络参数 使用训练好的网络参数进行数据的预测
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)【转】
- 机器学习之良/恶性乳腺癌肿瘤预测
- 使用线性分类模型从事良/恶性肿瘤预测任务
- 【TensorFlow】Caffe模型转tensorflow模型并使用模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测(tf.graph_util.convert_variables_to_constants函数)
- Tensorflow案例分析(1)—— 使用逻辑回归进行泰坦尼克号预测
- 良恶性乳腺癌肿瘤预测
- 使用朴素贝叶斯分类器对新闻文本数据进行类别预测
- 数据挖掘-K-近邻分类器-Iris数据集分析-使用K-近邻分类器进行分类预测(四)
- 机器学习之线性分类器(Linear Classifiers)——肿瘤预测实例
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- 使用TensorFlow的递归神经网络(LSTM)进行序列预测
- Tensorflow使用交互式会话训练线性分类器