机器学习技术任务驱动式教程- 课件 模块10 基于深度学习的分类预测.pptx

掌握构造DataLoader掌握构造多层感知机掌握构造卷积神经网络掌握构造循环神经网络掌握训练深度学习模型掌握使用深度模型预测样本参考书目《机器学习技术任务驱动式教程》基于深度学习的分类预测模块10机器学习技术

目录多层感知机预测糖尿病CNN识别图像时间戳循环神经网络预测国际旅行客流量小结习题十基于深度学习的分类预测模块10机器学习技术

本任务使用PinaIndians糖尿病发病情况数据集，样本来自国家糖尿病、消化和肾脏疾病研究所。特别是，这里的所有病人都是至少21岁的皮马印第安人血统的女性。这个数据集描述了PimaIndians的患者医疗记录数据，以及他们是否在五年内发生糖尿病。数据集包括几个医学预测变量和一个目标变量，即结果。预测变量包括怀孕次数、体重指数、胰岛素水平、年龄等。详细的字段描述见下表。1.1任务描述1.多层感知机预测糖尿病

1.1任务描述构造训练多层感知机，训练模型拟合数据集样本，并可视化训练过程中模型性能的变化。任务目标字段类型允许为空标签？例子怀孕次数int否否62小时口服葡萄糖耐量试验中血浆葡萄糖浓度int否否148舒张压int否否72三头肌皮褶皱厚度int否否352小时血清胰岛素 int否否0身体质量指数float否否33.6糖尿病谱系功能float否否0.627年龄int否否50是否患糖尿病int否否0:否，1：是1.多层感知机预测糖尿病

1.2任务分解import方式引入依赖的模块文件读入DataFrame，抽样检查样本值和数据分布数据封装成PyTorch库的DataLoader对象依赖库导入数据观察数据转换从探查数据内容开始，经过数据转换和数据集分离，定义多层感知机，迭代训练网络模型拟合数据集样本，可视化训练过程中训练性能和测试性能变化。1.多层感知机预测糖尿病

1.2任务分解定义一个包含2个隐藏层和1个输出层的多层感知机采用反向传播方式，更新各层的梯度值，找到模型的最优或次优参数模型构建模型训练接上可视化模型在2个数据集上的准确率变化训练过程可视化1.多层感知机预测糖尿病

1.3任务实施1.3.1依赖库导入步骤1：定义2级标题。##fontcolor=black依赖库导入/font按“SHIFT+Enter”,运行结果如下：使用PyTorch深度学习框架实施模型创建和训练，支持在强大GPU上运行矩阵运算，也支持反向传播过程中的自动求导功能。1.多层感知机预测糖尿病

1.3任务实施步骤2：导入依赖库。importnumpyasnpimportpandasaspdfrommatplotlibimportpyplotaspltimportmatplotlibasmplfromtorchimportnnfromsklearn.model_selectionimporttrain_test_splitfromtorch.utils.dataimportTensorDataset,DataLoaderimporttorch1.多层感知机预测糖尿病

1.3任务实施1.3.2数据观察文件读入DataFrame对象后，需要观察属性值和数据分布。步骤1：定义2级标题。##fontcolor=black数据观察/font按“SHIFT+Enter”,运行结果如下：1.多层感知机预测糖尿病

1.3任务实施步骤2：把数据从文件读入DataFrame对象。df=pd.read_csv(../data/pima-indians-diabetes.csv,header=0)df.shape按“SHIFT+Enter”,运行结果如下：步骤3：查看头5条记录。df.head()1.多层感知机预测糖尿病

1.3任务实施按“SHIFT+Enter”,运行结果如下：步骤4：查看各字段的统计特征。df.describe()1.多层感知机预测糖尿病

1.3任务实施按“SHIFT+Enter”,运行结果如下：1.多层感知机预测糖尿病

1.3任务实施1.3.3数据转换步骤1：定义2级标题。##fontcolor=black数据转换/font按“SHIFT+Enter”,运行结果如下：1.多层感知机预测糖尿病

1.3任务实施步骤2：DataFrame对象转换到Numpy类型。X=df.iloc[:,:-1].valuesy=df.iloc[:,-1].values.reshape(-1,1)X.shape,y.shape按“SHIFT+Enter”,运行结果如下：Series对象的values方法返回是1维Numpy对象。PyTorch训练时要求输入和标签都至少2维，因此使用reshape方法转换到2维的