【项目实战】多维度特征处理

视频链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=7

数据集的下载

通过百度网盘下载至代码的文件夹
链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码：cxe4

多重特征

这里的数据是一份8维的关于糖尿病的数据，希望判断是否得了糖尿病
这里特征处理的代码如下，（和之前的代码大同小异，不做过多叙述）

import numpy as np
import torch
import matplotlib.pyplot as plt
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)   //读取数据，逗号作为分隔符，然后转换成32位浮点型
x_data = torch.from_numpy(xy[:, :-1])                                 //行全读，列最后一列不要
y_data = torch.from_numpy(xy[:, [-1]])

class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6)
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 2)
        self.linear4 = torch.nn.Linear(2, 1)                        //四层网络
        self.sigmoid = torch.nn.Sigmoid()

    def forward(self, x):
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        x = self.sigmoid(self.linear4(x))
        return x
epoch_list = []                                              
loss_list = []                                                        //用来接收每一次训练的损失值
model = Model()
criterion = torch.nn.BCELoss(size_average=True)                      
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()

    optimizer.step()

plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

结果

图像是损失函数随着训练次数的变化


其实我还试了一下20w次训练的
图像有点好玩的