Keras:基于python库之Keras建立模型算法来实现【预测】功能的详细攻略(经典,建议收藏)
2018-11-14 15:45
991 查看
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_41185868/article/details/84067803
Keras:基于python库之Keras建立模型算法来实现预测功能的详细攻略
Keras框架使用分析
案例思路分析
1、实现分类预测:通过Keras建立模型,最终得到的模型能进行两种预测,一是判断出类别,二是给出属于相应类别概率。
(1)、在Keras中,可以利用predict_class()函数来完成,利用最终的模型预测新数据样本的类别。但是,这个函数仅适用于Sequential模型,不适于使用功能式API开发的模型。
对三个实例预测:
[code]# 建立一个新的分类模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 新的未知数据实例 Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1) Xnew = scalar.transform(Xnew) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入和输出 for i in range(len(Xnew)): print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
对一个实例预测:需要将它包装变成一个数组的形式。以便传给predict_classes()函数
[code]from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler from numpy import array # 生成一个二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终的新模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 未知的新实例 Xnew = array([[0.89337759, 0.65864154]]) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入输出 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
代码实现
1、基于Keras设计的简单二分类问题开发的神经网络模型案例
[code]# 训练一个最终分类的模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成一个二分类问题的数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=200, verbose=0)
阅读更多
相关文章推荐
- 机器学习经典算法详解及Python实现--CART分类决策树、回归树和模型树
- 基于GPU实现的经典光照模型算法:phong光照模型
- Python实现基于KNN算法的笔迹识别功能详解
- 基于GPU实现的经典光照模型算法:漫反射模型(使用cg语言实现)
- 基于python的分词算法的实现(3) - 建立字典
- 机器学习经典算法详解及Python实现--基于SMO的SVM分类器
- 机器学习经典算法详解及Python实现--CART分类决策树、回归树和模型树
- 基于python的分词算法的实现(2) - 字典的选择
- python算法--败者树详细实现
- 机器学习经典算法详解及Python实现--决策树(Decision Tree)
- 基于角色-功能-资源的权限控制模型的设计与实现-引子
- 机器学习经典算法详解及Python实现--聚类及K均值、二分K-均值聚类算法
- 机器学习经典算法详解及Python实现–决策树(Decision Tree)
- 笔记︱基于网络节点的node2vec、论文、算法python实现
- python算法--堆排序详细实现
- 经典递归算法之排列,组合,集合和换零钱, Python yield实现.
- Python基于有道实现英汉字典功能
- 经典算法的Python实现(5)
- 算法-基于成交量的Adaboost股价涨跌预测模型
- 机器学习经典算法详解及Python实现--决策树(Decision Tree)