基础|认识机器学习中的逻辑回归、决策树、神经网络算法

sklearn.tree import DecisionTreeClassifier as DTC#导入分类树

dtc=DTC()

dtc.fit(X,Y)

from sklearn.tree import export_graphviz

from sklearn.externals.six import StringIO

with open("tree.dot", 'w') as f:

f = export_graphviz(dtc, feature_names = x.columns, out_file = f)

人工神经收集（ANN）

人工神经收集（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能范畴鼓起的研究热点。它大年夜信息处理角度对人脑神经元收集进行抽象，建立某种简单模型，按不合的连接方法构成不合的收集。在工程与学术界也常直接简称为神经收集或类神经收集。神经收集是一种运算模型，由大年夜量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为鼓励函数（activation function）。每两个节点间的连接都代表一个对于经由过程该连接旌旗灯号的加权值，称之为权重，这相当于人工神经收集的记忆。收集的输出则依收集的连接方法，权重值和鼓励函数的不合而不合。而收集自身平日都是对天然界某种算法或者函数的切近亲近，也可能是对一种逻辑策略的表达。

Keras简介

Keras:基于Python的深度进修库

Keras是一个高层神经收集API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支撑快速实验而生，可以或许把你的idea敏捷转换为结不雅。

常用模块简介：

1.optimizers

包：keras.optimizers :

这个是用来选用优化办法的，琅绫擎有SGD，Adagrad，Adadelta，RMSprop，Adam可选。

2.objectives

包：keras.objectives

mean_squared_error / mse：平均方差

mean_absolute_error / mae：绝对误差

完成模型编译后，我们在练习数据上按batch进行必定次数的迭代来练习收集

mean_squared_logarithmic_error / msle：对数误差

squared_hinge

import pandas as pd 
 
input_file='./bankloan.xls' 
 
data=http://ai.51cto.com/art/201802/pd.read_excel(input_file) 
 
data.head() 
 
X=data.iloc[:,:8].as_matrix()#将矩阵转换为Numpy数组 
 
Y=data.iloc[:,8].as_matrix() 
 
from sklearn.linear_model import LogisticRegression as LR 
 
from sklearn.linear_model import RandomizedLogisticRegression as RLR 
 
rlr=RLR()#建立随机逻辑回归模型，筛选变量 
 
rlr.fit(X,Y) #练习模型 
 
rlr.get_support()#获取特点筛选结不雅，也可以经由过程.scores_办法获取各个特点的分数 
 
x=data.iloc[:,0:8] 
 
X = x[x.columns[rlr.get_support()]].as_matrix() #筛选好特点 
 
lr=LR()#建立逻辑回归模型 
 
lr.fit(X,Y) 
 
print("精确率：%s" % lr.score(X,Y)) 
 
x.columns[rlr.get_support()]

hinge

binary_crossentropy: Also known as logloss.

categorical_crossentropy:应用这个目标函数须要设置label为二进制数组的情势。

2/5 首页上一页 1 2 3 4 5 下一页尾页

　　推荐阅读

　　程序员，你能真正掌握多少编程技术？

我总能看到一些公司在雇用告白里如许描述他们的岗亭请求：“有丰富的大年夜零开端构建iOS及Android应用的经验;精晓移动及 Web 技巧，包含 Java、HTML5、CSS3、JavaScript 和 AJAX。>>>详细阅读

本文标题：基础|认识机器学习中的逻辑回归、决策树、神经网络算法

地址：http://www.17bianji.com/lsqh/40497.html

1/2 1