机器学习—使用 TensorFlow 构建神经网络模型预测波士顿房价和鸢尾花数据集分类

1. 预测波士顿房价

1.1 导包

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import itertools

import pandas as pd
import tensorflow as tf

tf.logging.set_verbosity(tf.logging.INFO)

最后一行设置了TensorFlow日志的详细程度：

tf.logging.DEBUG：最详细的日志级别，用于记录调试信息。

tf.logging.INFO：用于记录一般的信息性消息，比如训练过程中的指标和进度。

tf.logging.WARN：用于记录警告消息，表示可能存在潜在问题，但不会导致程序终止。

tf.logging.ERROR：仅记录错误消息，表示程序遇到了错误并可能终止执行。

tf.logging.FATAL：记录严重错误消息，并终止程序的执行。

1.2 处理数据集

COLUMNS = ["crim", "zn", "indus", "nox", "rm", "age",
           "dis", "tax", "ptratio", "medv"]
FEATURES = ["crim", "zn", "indus", "nox", "rm",
            "age", "dis", "tax", "ptratio"]
LABEL = "medv"

training_set = pd.read_csv("boston_train.csv", skipinitialspace=True,
                           skiprows=1, names=COLUMNS)
test_set = pd.read_csv("boston_test.csv", skipinitialspace=True,
                       skiprows=1, names=COLUMNS)
prediction_set = pd.read_csv("boston_predict.csv", skipinitialspace=True,
                             skiprows=1, names=COLUMNS)

定义了一些列名和特征，并使用pd.read_csv函数读取了训练集、测试集和预测集的数据。

pd.read_csv函数来读取CSV文件，并将其转换为Pandas数据帧。

1.3 创建DNNRegressor对象

feature_cols = [tf.feature_column.numeric_column(k) for k in FEATURES]
regressor = tf.estimator.DNNRegressor(feature_columns=feature_cols,
                                      hidden_units=[50,50,50],
                                      model_dir="./boston_model")

tf.feature_column.numeric_column函数用于创建一个表示数值特征的特征列。在这种情况下，它

会遍历FEATURES列表中的每个特征名称，并为每个特征创建一个数值特征列。

创建DNNRegressor对象的参数：

feature_columns：这是包含特征列的列表，用于定义输入的特征。在这里，您传递了之前创建

的feature_cols，它包含了用于模型训练的服务器托管网数值特征列。

hidden_units：这是一个整数列表，用于定义隐藏层的结构。在这个例子中，您定义了一个具

有3个隐藏层的DNN模型，每个隐藏层都有50个神经元。

model_dir：这是模型保存的目录路径。在这里，您指定了”./boston_model”作为模型保存的目录。

1.4 创建输入函数

def get_input_fn(data_set, num_epochs=None, shuffle=True):
  return tf.estimator.inputs.pandas_input_fn(
      x=pd.DataFrame({k: data_set[k].values for k in FEATURES}),
      y = pd.Series(data_set[LABEL].values),
      num_epochs=num_epochs,
      shuffle=shuffle)

该输入函数将Pandas数据帧作为输入，并将其转换为TensorFlow的输入格式。具体而言，它将特

征数据集（由FEATURES列表指定的列）转换为x，将标签数据（由LABEL指定的列）转换为y。

1.5 训练评估预测

regressor.train(input_fn=get_input_fn(training_set), steps=5000)
ev = regressor.evaluate(
    input_fn=get_input_fn(test_set, num_epochs=1, shuffle=False))
loss_score = ev["loss"]
print("Loss: {0:f}".format(loss_score))
y = regressor.predict(
    input_fn=get_input_fn(prediction_set, num_epochs=1, shuffle=False))
# .predict() returns an iterator of dicts; convert to a list and print
# predictions
predictions = list(p["predictions"] for p in itertools.islice(y, 6))
print("Predictions: {}".format(str(predictions)))

steps参数指定了训练的迭代步数，即模型将对训练数据执行多少次梯度下降更新。

使用get_input_fn获取输入函数，该函数将测试集（test_set）作为输入数据。num_epochs参数设

置为1，表示测试集只会被迭代一次，shuffle参数被设置为False，表示测试集不需要进行洗牌。

然后提取评估结果中的损失值（loss），并将其赋值给loss_score变量。

通过迭代预测结果的字典形式，将预测值提取出来，并将其存储在predictions列表中。

2. 鸢尾花数据集分类

import tensorflow as tf
import pandas as pd

COLUMN_NAMES = [
        'SepalLength', 
        'SepalWidth',
        'PetalLength', 
        'PetalWidth', 
        'Species'
        ]

# Import training dataset
training_dataset = pd.read_csv('iris_training.csv', names=COLUMN_NAMES, header=0)
train_x = training_dataset.iloc[:, 0:4]
train_y = training_dataset.iloc[:, 4]

# Import testing dataset
test_dataset = pd.read_csv('iris_test.csv', names=COLUMN_NAMES, header=0)
test_x = test_dataset.iloc[:, 0:4]
test_y = test_dataset.iloc[:, 4]

# Setup feature columns
columns_feat = [
    tf.feature_column.numeric_column(key='SepalLength'),
    tf.feature_column.numeric_column(key='SepalWidth'),
    tf.feature_column.numeric_column(key='PetalLength'),
    tf.feature_column.numeric_column(key='PetalWidth')
]

# Build Neural Network - Classifier
classifier = tf.estimator.DNNClassifier(
    feature_columns=columns_feat,
    # Two hidden layers of 10 nodes each.
    hidden_units=[10, 10],
    # The model is classifying 3 classes
    n_classes=3)

# Define train function
def train_function(inputs, outputs, batch_size):
    dataset = tf.data.Dataset.from_tensor_slices((dict(inputs), outputs))
    dataset = dataset.shuffle(1000).repeat().batch(batch_size)
    return dataset.make_one_shot_iterator().get_next()

# Train the Model.
classifier.train(
    input_fn=lambda:train_function(train_x, train_y, 100),
    steps=1000)

# Define evaluation function
def evaluation_function(attributes, classes, batch_size):
    attributes=dict(attributes)
    if classes is None:
        inputs = attributes
    else:
        inputs = (attributes, classes)
    dataset = tf.data.Dataset.from_tensor_slices(inputs)
    assert batch_size is not None, "batch_size must not be None"
    dataset = dataset.batch(batch_size)
    return dataset.make_one_shot_iterator().get_next()

# Evaluate the model.
eval_result = classifier.evaluate(
    input_fn=lambda:evaluation_function(test_x, test_y, 100))

print('nAccuracy: {accuracy:0.3f}n'.format(**eval_result))

首先导入所需的库，包括 TensorFlow 和 Pandas。然后，定义了一个包含特征列的列

表columns_feat，用于描述输入数据的特征。接下来，通过 Pandas 读取训练集和测试集的数

据，并将其分为输入特征和输出类别。

然后，使用tf.estimator.DNNClassifier类构建了一个多层感知机神经网络分类器。该分类器具

有两个隐藏层，每个隐藏层包含10个节点，输出层用于分类3个类别的鸢尾花。

然后，定义了一个服务器托管网训练函数train_function和一个评估函数evaluation_function，用于转换输

入数据并创建 TensorFlow 数据集。训练函数将训练数据转换为 Dataset 对象，并进行随机化、重

复和分批处理。评估函数将测试数据转换为 Dataset 对象，并进行分批处理。

最后，通过调用classifier.train方法来训练模型，使用训练函数作为输入函数，并指定训练步

数。然后，通过调用classifier.evaluate方法来评估模型的性能，使用评估函数作为输入函数，

并指定评估时的批大小。评估结果包括准确率，并通过print函数进行输出。

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net

相关推荐: 数据结构与算法——数据结构有哪些，常用数据结构详解

数据结构是学习数据存储方式的一门学科，那么，数据存储方式有哪几种呢？下面将对数据结构的学习内容做一个简要的总结。 数据结构大致包含以下几种存储结构： 线性表，还可细分为顺序表、链表、栈和队列； 树结构，包括普通树，二叉树，线索二叉树等； 图存储结构； 下面对各…