人工智能学习——第六课：Tensorflow学习——多层感知器代码

一、模型定义

目的：多个特征值预测收入分布情况；

# 导入python模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# data导入表信息
data = pd.read_csv('D:\\workspaces\\Miniconda_workSpaces\\datasheets\\income.csv',encoding='gbk')

# 输出表
data

 

# data输出（education和income的关系）
plt.scatter(data.education,data.income)

 

 

定义特征值（x轴和y轴）：

x轴：取所有行（:）,除去第一列和第二列

x = data.iloc[:, 1:2]

y轴：取所有行（：），取最后一列

y = data.iloc[:, -1]

定义多层感知器（建立模型）

# tf.keras.layers.Dense参数详解

# 代码：
model = tf.keras.Sequential([tf.keras.layers.Dense(10, input_shape=(2,), activation='relu'),
                             tf.keras.layers.Dense(1)]
)

# 定义10个单元的隐含层（自由选择（10-100）参数越大拟合能力越强，会存在一些缺点，后续补充）
10层

# 第一层输入层：
# 对应数据x轴参数technology、education
# tf.keras.layers.Dense作用是初始化将input_shape=(2,)即CX1+DX1输入的参数相加,通特征值相乘，得出结果；
# input_shape=（2，）用原子的形式将输入数据形状告诉模型，长度为2维的数据；
# activation='relu'中间层添加激活函数，增加拟合能力；

# 第二层输出层：
# tf.keras.layers.Dense(1)输出维度1的数据；
# 对应数据y轴参数income

# 模型输出
# 代码：
model.summary()
# 从单层神经元定义为多层感知器

# 中间层dense（Dense）
包含10个隐藏单元Output Shape（None， 10）
有30个参数Param：30，（2个输入+1个偏置）*（10个隐含层）=3*10=30个参数

 # 输入层2输入值、2个权重值、1个偏置

x表示输入列technology、education

b表示偏置

x1*w1、X2*W2、1*b

# 输出层dense_1（Dense）

11个参数Param:11

 

 

 

定义损失函数 

# 定义优化器和损失函数

# 指定代码
model.compile(optimizer='adam',
              loss='mse')
# 优化器参数
optimizer='adam'

# 损失函数(输出值为固定值，使用均方差函数)
loss='mse'

开始训练模型

  # 训练模型代码

model.fit(x, y, epochs=300)
# 参数x：上面定义x轴为表参数education
# 参数y：上面定义y轴位表参数income
# epochs：定义训练次数300

# 预测值：通过模型函数model.predict(test)取前10行第三列的特征值education的数据，预测第四列income的值

 # 实际值：打印实际值与上面预测值比较

 # 执行代码

 test = data.iloc[:10, -1]

 # :10, -1 打印10行income列的实际值