神经网络和决策树

2022-03-27 17:31:56 阅读：156 来源： 互联网

标签：plt cm 神经网络 test import model data 决策树

1、神经网络

'''神经网络测试'''
import pandas as pd
from keras.models import Sequential
from keras.layers.core import Dense, Activation
import numpy as np

# 参数初始化
inputfile = 'C:/Users/86183/Desktop/data/bankloan.xls'
data = pd.read_excel(inputfile)
x_test = data.iloc[:,:8].values
y_test = data.iloc[:,8].values

model = Sequential()  # 建立模型
model.add(Dense(input_dim = 8, units = 8))
model.add(Activation('relu'))  # 用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 8, units = 1))
model.add(Activation('sigmoid'))  # 由于是0-1输出，用sigmoid函数作为激活函数

model.compile(loss = 'mean_squared_error', optimizer = 'adam')
# 编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
# 另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
# 求解方法我们指定用adam，还有sgd、rmsprop等可选

model.fit(x_test, y_test, epochs = 1000, batch_size = 10)

predict_x=model.predict(x_test)
classes_x=np.argmax(predict_x,axis=1)
yp = classes_x.reshape(len(y_test))

def cm_plot(y, yp):

  from sklearn.metrics import confusion_matrix

  cm = confusion_matrix(y, yp)

  import matplotlib.pyplot as plt
  plt.matshow(cm, cmap=plt.cm.Greens)
  plt.colorbar()

  for x in range(len(cm)):
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')

  plt.ylabel('True label')
  plt.xlabel('Predicted label')
  return plt

cm_plot(y_test,yp).show()# 显示混淆矩阵可视化结果

score  = model.evaluate(x_test,y_test,batch_size=128)  # 模型评估
print(score)

运行结果

2、决策树

# -*- coding: utf-8 -*-

# 代码5-2

import pandas as pd
# 参数初始化
filename = 'C:/Users/86183/Desktop/data/bankloan.xls'
data = pd.read_excel(filename)  # 导入数据

# 数据是类别标签，要将它转换为数据
# 用1来表示“好”“是”“高”这三个属性，用-1来表示“坏”“否”“低”

x = data.iloc[:,:8].astype(int)
y = data.iloc[:,8].astype(int)


from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵
dtc.fit(x, y)  # 训练模型

# 导入相关函数，可视化决策树。
# 导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。
from sklearn.tree import export_graphviz
x = pd.DataFrame(x)

"""
string1 = '''
edge [fontname="NSimSun"];
node [ fontname="NSimSun" size="15,15"];
{
'''
string2 = '}'
"""

with open("C:/Users/86183/Desktop/data/tree.dot", 'w') as f:
    export_graphviz(dtc, feature_names = x.columns, out_file = f)
    f.close()


from IPython.display import Image
from sklearn import tree
import pydotplus

dot_data = tree.export_graphviz(dtc, out_file=None,  #regr_1 是对应分类器
                         feature_names=data.columns[:8],   #对应特征的名字
                         class_names=data.columns[8],    #对应类别的名字
                         filled=True, rounded=True,
                         special_characters=True)

graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('C:/Users/86183/Desktop/data/example.png')    #保存图像
Image(graph.create_png())

结果

标签：plt,cm,神经网络,test,import,model,data,决策树
来源： https://www.cnblogs.com/xieyuhua/p/16063584.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

神经网络和决策树