基础|认识机器学习中的逻辑回归、决策树、神经网络算法

#将数据的类别标签转换为数据

data[data=http://ai.51cto.com/art/201802/='好']=1

data[data=http://ai.51cto.com/art/201802/='是']=1

data[data=http://ai.51cto.com/art/201802/='高']=1

data[data!=1]=0

x=data.iloc[:,:3].as_matrix().astype(int)#拔取练习集，转换为矩阵情势，并且留意类型

y=data.iloc[:,3].as_matrix().astype(int)

from keras.models import Sequential

from keras.layers.core import Dense,Activation

model=Sequential()#建立模型

model.add(Dense(input_dim=3,output_dim=10))

model.add(Activation('relu'))#用relu作为激活函数

model.add(Dense(input_dim=10,output_dim=1))

model.add(Activation('sigmoid'))#输出分类0或1

model.compile(loss = 'binary_crossentropy', optimizer = 'adam')

model.fit(x,y,nb_epoch = 1000, batch_size = 10) #练习模型，进修一千次yp=model.predict_classes(x).reshape(len(y)) #分类猜测

yp = model.predict_classes(x).reshape(len(y)) #分类猜测

import matplotlib.pyplot as plt #导入作图库

from sklearn.metrics import confusion_matrix #导入混淆矩阵函数

def cm_plot(y, yp):

cm = confusion_matrix(y, yp) #混淆矩阵

plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色籽扒螃用cm.Greens，更多风格请参考官网。

plt.colorbar() #色彩标签

for x in range(len(cm)): #数据标签

for y in range(len(cm)):

plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')

plt.ylabel('True label') #坐标轴标签

plt.xlabel('Predicted label') #坐标轴标签

return

　　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

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