Python 深度学习 - 实现

在深度学习的实施中，我们的目标是预测某家银行的客户流失或流失数据 - 哪些客户可能会离开该银行服务。使用的数据集相对较小，包含 10000 行 14 列。我们使用 Anaconda 发行版以及 Theano、TensorFlow 和 Keras 等框架。Keras 构建在 Tensorflow 和 Theano 之上，它们充当其后端。

# Artificial Neural Network
# Installing Theano
pip install --upgrade theano

# Installing Tensorflow
pip install –upgrade tensorflow

# Installing Keras
pip install --upgrade keras

步骤一：数据预处理

In[]:

# Importing the libraries
   import numpy as np
   import matplotlib.pyplot as plt
   import pandas as pd
 
# Importing the database
   dataset = pd.read_csv('Churn_Modelling.csv')

第2步

我们创建数据集特征和目标变量的矩阵，即第 14 列，标记为“Exited”。

数据的初始外观如下所示 -

In[]:
X = dataset.iloc[:, 3:13].values
Y = dataset.iloc[:, 13].values
X

输出

步进输出

步骤3

Y

输出

array([1, 0, 1, ..., 1, 1, 0], dtype = int64)

步骤4

我们通过对字符串变量进行编码来使分析变得更简单。我们使用 ScikitLearn 函数“LabelEncoder”自动对列中的不同标签进行编码，其值介于 0 到 n_classes-1 之间。

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X_1 = LabelEncoder() 
X[:,1] = labelencoder_X_1.fit_transform(X[:,1]) 
labelencoder_X_2 = LabelEncoder() 
X[:, 2] = labelencoder_X_2.fit_transform(X[:, 2])
X

输出

Step4 输出

在上面的输出中，国家名称被替换为0、1和2；而male和female则用0和1代替。

步骤5

标记编码数据

我们使用相同的ScikitLearn库和另一个名为OneHotEncoder 的函数来传递创建虚拟变量的列号。

onehotencoder = OneHotEncoder(categorical features = [1])
X = onehotencoder.fit_transform(X).toarray()
X = X[:, 1:]
X

现在，前 2 列代表国家/地区，第四列代表性别。

输出

Step5 输出

我们总是将数据分为训练部分和测试部分；我们在训练数据上训练模型，然后在测试数据上检查模型的准确性，这有助于评估模型的效率。

步骤6

我们使用 ScikitLearn 的train_test_split函数将数据分为训练集和测试集。我们将训练与测试的分流比保持为 80:20。

#Splitting the dataset into the Training set and the Test Set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

有些变量的值以千为单位，而有些变量的值以十或个为单位。我们对数据进行缩放，使它们更具代表性。

步骤7

在此代码中，我们使用StandardScaler函数拟合和转换训练数据。我们对缩放进行标准化，以便使用相同的拟合方法来转换/缩放测试数据。

# Feature Scaling


fromsklearn.preprocessing import StandardScaler 
sc = StandardScaler() 
X_train = sc.fit_transform(X_train) 
X_test = sc.transform(X_test)

输出

步骤7输出

数据现已正确缩放。最后，我们完成了数据预处理。现在，我们将从我们的模型开始。

步骤8

我们在这里导入所需的模块。我们需要顺序模块来初始化神经网络，并需要密集模块来添加隐藏层。

# Importing the Keras libraries and packages 
import keras 
from keras.models import Sequential 
from keras.layers import Dense

步骤9

我们将该模型命名为分类器，因为我们的目标是对客户流失进行分类。然后我们使用Sequential模块进行初始化。

#Initializing Neural Network 
classifier = Sequential()

步骤10

我们使用密集函数一层一层地添加隐藏层。在下面的代码中，我们将看到许多参数。

我们的第一个参数是output_dim。它是我们添加到该层的节点数。init是随机梯度下降的初始化。在神经网络中，我们为每个节点分配权重。初始化时，权重应接近于零，我们使用统一函数随机初始化权重。仅第一层需要input_dim参数，因为模型不知道输入变量的数量。这里输入变量的总数为 11。在第二层中，模型自动知道来自第一个隐藏层的输入变量的数量。

执行以下代码行添加输入层和第一个隐藏层 -

classifier.add(Dense(units = 6, kernel_initializer = 'uniform', 
activation = 'relu', input_dim = 11))

执行以下代码行添加第二个隐藏层 -

classifier.add(Dense(units = 6, kernel_initializer = 'uniform', 
activation = 'relu'))

执行以下代码行添加输出层 -

classifier.add(Dense(units = 1, kernel_initializer = 'uniform', 
activation = 'sigmoid'))

第11步

编译人工神经网络

到目前为止，我们已经向分类器添加了多个层。我们现在将使用compile方法来编译它们。最终编译控制中添加的参数完成了神经网络。所以，我们在这一步需要小心。

以下是对论点的简要解释。

第一个参数是Optimizer。这是一种用于查找最佳权重集的算法。该算法称为随机梯度下降（SGD）。在这里，我们使用多种类型中的一种，称为“Adam 优化器”。SGD 取决于损失，因此我们的第二个参数是损失。如果我们的因变量是二元的，我们使用名为'binary_crossentropy'的对数损失函数，如果我们的因变量在输出中具有两个以上类别，那么我们使用'categorical_crossentropy'。我们希望基于准确度来提高神经网络的性能，因此我们添加了准确度指标。

# Compiling Neural Network 
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

步骤12

这一步需要执行很多代码。

将 ANN 拟合到训练集

我们现在根据训练数据训练我们的模型。我们使用fit方法来拟合我们的模型。我们还优化权重以提高模型效率。为此，我们必须更新权重。批量大小是我们更新权重后的观察次数。Epoch是迭代的总数。批量大小和历元的值通过试错法选择。

classifier.fit(X_train, y_train, batch_size = 10, epochs = 50)

做出预测并评估模型

# Predicting the Test set results
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

预测单个新观察结果

# Predicting a single new observation
"""Our goal is to predict if the customer with the following data will leave the bank:
Geography: Spain
Credit Score: 500
Gender: Female
Age: 40
Tenure: 3
Balance: 50000
Number of Products: 2
Has Credit Card: Yes
Is Active Member: Yes

步骤13

预测测试集结果

预测结果将为您提供客户离开公司的概率。我们将该概率转换为二进制 0 和 1。

# Predicting the Test set results 
y_pred = classifier.predict(X_test) 
y_pred = (y_pred > 0.5)


new_prediction = classifier.predict(sc.transform
(np.array([[0.0, 0, 500, 1, 40, 3, 50000, 2, 1, 1, 40000]])))
new_prediction = (new_prediction > 0.5)

第14步

这是我们评估模型性能的最后一步。我们已经有了原始结果，因此我们可以构建混淆矩阵来检查模型的准确性。

制作混淆矩阵

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
print (cm)

输出

loss: 0.3384 acc: 0.8605
[ [1541 54]
[230 175] ]

根据混淆矩阵，我们模型的准确性可以计算为 -

Accuracy = 1541+175/2000=0.858

我们达到了 85.8% 的准确率，这很好。

前向传播算法

在本节中，我们将学习如何编写代码来为简单的神经网络进行前向传播（预测） -

前向传播算法

每个数据点都是一个客户。第一个输入是他们有多少个帐户，第二个输入是他们有多少个孩子。该模型将预测用户明年进行的交易量。

输入数据被预加载为输入数据，权重位于称为权重的字典中。隐藏层中第一个节点的权重数组位于权重 ['node_0'] 中，隐藏层中第二个节点的权重数组位于权重 ['node_1'] 中。

馈送到输出节点的权重在权重中可用。

修正线性激活函数

“激活函数”是在每个节点上工作的函数。它将节点的输入转换为某些输出。

修正线性激活函数（称为ReLU）广泛应用于高性能网络中。该函数将单个数字作为输入，如果输入为负，则返回 0；如果输入为正，则将输入作为输出。

这里有一些例子 -

  • 雷卢(4) = 4
  • 雷卢（-2）= 0

我们填写 relu() 函数的定义−

  • 我们使用 max() 函数来计算 relu() 的输出值。
  • 我们将relu()函数应用于node_0_input来计算node_0_output。
  • 我们将relu()函数应用于node_1_input来计算node_1_output。
import numpy as np
input_data = np.array([-1, 2])
weights = {
   'node_0': np.array([3, 3]),
   'node_1': np.array([1, 5]),
   'output': np.array([2, -1])
}
node_0_input = (input_data * weights['node_0']).sum()
node_0_output = np.tanh(node_0_input)
node_1_input = (input_data * weights['node_1']).sum()
node_1_output = np.tanh(node_1_input)
hidden_layer_output = np.array(node_0_output, node_1_output)
output =(hidden_layer_output * weights['output']).sum()
print(output)

def relu(input):
   '''Define your relu activation function here'''
   # Calculate the value for the output of the relu function: output
   output = max(input,0)
      # Return the value just calculated
   return(output)
# Calculate node 0 value: node_0_output
node_0_input = (input_data * weights['node_0']).sum()
node_0_output = relu(node_0_input)

# Calculate node 1 value: node_1_output
node_1_input = (input_data * weights['node_1']).sum()
node_1_output = relu(node_1_input)

# Put node values into array: hidden_layer_outputs
hidden_layer_outputs = np.array([node_0_output, node_1_output])

# Calculate model output (do not apply relu)
odel_output = (hidden_layer_outputs * weights['output']).sum()
print(model_output)# Print model output

输出

0.9950547536867305
-3

将网络应用于许多观察/数据行

在本节中，我们将学习如何定义一个名为predict_with_network()的函数。该函数将为多个数据观察生成预测，这些数据观察取自上面的网络作为 input_data。使用上面网络中给出的权重。还使用了 relu() 函数定义。

让我们定义一个名为 Predict_with_network() 的函数，它接受两个参数 - input_data_row 和权重 - 并返回网络的预测作为输出。

我们计算每个节点的输入和输出值，并将它们存储为：node_0_input、node_0_output、node_1_input 和 node_1_output。

为了计算节点的输入值，我们将相关数组相乘并计算它们的总和。

为了计算节点的输出值，我们将 relu() 函数应用于节点的输入值。我们使用“for 循环”来迭代 input_data -

我们还使用 Predict_with_network() 为 input_data - input_data_row 的每一行生成预测。我们还将每个预测附加到结果中。

# Define predict_with_network()
def predict_with_network(input_data_row, weights):
   # Calculate node 0 value
   node_0_input = (input_data_row * weights['node_0']).sum()
   node_0_output = relu(node_0_input)
   
   # Calculate node 1 value
   node_1_input = (input_data_row * weights['node_1']).sum()
   node_1_output = relu(node_1_input)
   
   # Put node values into array: hidden_layer_outputs
   hidden_layer_outputs = np.array([node_0_output, node_1_output])
   
   # Calculate model output
   input_to_final_layer = (hidden_layer_outputs*weights['output']).sum()
   model_output = relu(input_to_final_layer)
# Return model output
   return(model_output)

# Create empty list to store prediction results
results = []
for input_data_row in input_data:
   # Append prediction to results
   results.append(predict_with_network(input_data_row, weights))
print(results)# Print results

输出

[0, 12]

这里我们使用了 relu 函数，其中 relu(26) = 26 和 relu(-13)=0 等等。

深度多层神经网络

在这里，我们正在编写代码来为具有两个隐藏层的神经网络进行前向传播。每个隐藏层有两个节点。输入数据已预加载为input_data。第一个隐藏层中的节点称为node_0_0和node_0_1。

它们的权重分别预先加载为weights['node_0_0']和weights['node_0_1']。

第二隐藏层中的节点称为node_1_0和node_1_1。它们的权重分别预先加载为weights['node_1_0']和weights['node_1_1']。

然后，我们使用预加载的权重作为权重['output']从隐藏节点创建模型输出。

深层多层

我们使用其权重weights['node_0_0']和给定的input_data计算node_0_0_input。然后应用relu()函数来获取node_0_0_output。

我们对node_0_1_input执行与上面相同的操作以获得node_0_1_output。

我们使用其权重weights['node_1_0']和第一个隐藏层的输出-hidden_​​0_outputs来计算node_1_0_input。然后我们应用 relu() 函数来获取 node_1_0_output。

我们对node_1_1_input执行与上面相同的操作以获得node_1_1_output。

我们使用权重['output']和第二个隐藏层hidden_​​1_outputs数组的输出来计算model_output。我们不将 relu() 函数应用于此输出。

多重隐藏层 
import numpy as np
input_data = np.array([3, 5])
weights = {
   'node_0_0': np.array([2, 4]),
   'node_0_1': np.array([4, -5]),
   'node_1_0': np.array([-1, 1]),
   'node_1_1': np.array([2, 2]),
   'output': np.array([2, 7])
}
def predict_with_network(input_data):
   # Calculate node 0 in the first hidden layer
   node_0_0_input = (input_data * weights['node_0_0']).sum()
   node_0_0_output = relu(node_0_0_input)
   
   # Calculate node 1 in the first hidden layer
   node_0_1_input = (input_data*weights['node_0_1']).sum()
   node_0_1_output = relu(node_0_1_input)
   
   # Put node values into array: hidden_0_outputs
   hidden_0_outputs = np.array([node_0_0_output, node_0_1_output])
   
   # Calculate node 0 in the second hidden layer
   node_1_0_input = (hidden_0_outputs*weights['node_1_0']).sum()
   node_1_0_output = relu(node_1_0_input)
   
   # Calculate node 1 in the second hidden layer
   node_1_1_input = (hidden_0_outputs*weights['node_1_1']).sum()
   node_1_1_output = relu(node_1_1_input)
   
   # Put node values into array: hidden_1_outputs
   hidden_1_outputs = np.array([node_1_0_output, node_1_1_output])
   
   # Calculate model output: model_output
   model_output = (hidden_1_outputs*weights['output']).sum()
      # Return model_output
   return(model_output)
output = predict_with_network(input_data)
print(output)

输出

364