python機器學習之神經網絡實現

python機器學習之神經網絡實現？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

首先，當我們建立一個回歸和分類模型的時候，無論是用最小二乘法（OLS）還是最大似然值（MLE）都用來使得殘差達到最小。因此我們在建立模型的時候，都會有一個loss function。

而在神經網絡里也不例外，也有個類似的loss function。

對回歸而言：

對分類而言：

然后同樣方法，對于W開始求導，求導為零就可以求出極值來。

關于式子中的W。我們在這里以三層的神經網絡為例。先介紹一下神經網絡的相關參數。

第一層是輸入層，第二層是隱藏層，第三層是輸出層。

在X1，X2經過W1的加權后，達到隱藏層，然后經過W2的加權，到達輸出層

其中，

我們有：

至此，我們建立了一個初級的三層神經網絡。

當我們要求其的loss function最小時，我們需要逆向來求，也就是所謂的backpropagation。

我們要分別對W1和W2進行求導，然后求出其極值。

從右手邊開始逆推，首先對W2進行求導。

代入損失函數公式：

然后，我們進行化簡：

化簡到這里，我們同理再對W1進行求導。

我們可以發現當我們在做bp網絡時候，有一個逆推回去的誤差項，其決定了loss function 的最終大小。

在實際的運算當中，我們會用到梯度求解，來求出極值點。

總結一下來說，我們使用向前推進來理順神經網絡做到回歸分類等模型。而向后推進來計算他的損失函數，使得參數W有一個最優解。

當然，和線性回歸等模型相類似的是，我們也可以加上正則化的項來對W參數進行約束，以免使得模型的偏差太小，而導致在測試集的表現不佳。

Python 的實現：

使用了KERAS的庫

解決線性回歸： 

model.add(Dense(1, input_dim=n_features, activation='linear', use_bias=True))

# Use mean squared error for the loss metric and use the ADAM backprop algorithm
model.compile(loss='mean_squared_error', optimizer='adam')

# Train the network (learn the weights)
# We need to convert from DataFrame to NumpyArray
history = model.fit(X_train.values, y_train.values, epochs=100, 
     batch_size=1, verbose=2, validation_split=0)

解決多重分類問題： 

# create model
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=n_features))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
# Softmax output layer
model.add(Dense(7, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X_train.values, y_train.values, epochs=20, batch_size=16)

y_pred = model.predict(X_test.values)

y_te = np.argmax(y_test.values, axis = 1)
y_pr = np.argmax(y_pred, axis = 1)

print(np.unique(y_pr))

print(classification_report(y_te, y_pr))

print(confusion_matrix(y_te, y_pr))

當我們選取最優參數時候，有很多種解決的途徑。這里就介紹一種是gridsearchcv的方法，這是一種暴力檢索的方法，遍歷所有的設定參數來求得最優參數。

from sklearn.model_selection import GridSearchCV

def create_model(optimizer='rmsprop'):
 model = Sequential()
 model.add(Dense(64, activation='relu', input_dim=n_features))
 model.add(Dropout(0.5))
 model.add(Dense(64, activation='relu'))
 model.add(Dropout(0.5))
 model.add(Dense(7, activation='softmax'))
 model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])
 
 return model

model = KerasClassifier(build_fn=create_model, verbose=0)

optimizers = ['rmsprop']
epochs = [5, 10, 15]
batches = [128]


param_grid = dict(optimizer=optimizers, epochs=epochs, batch_size=batches, verbose=['2'])
grid = GridSearchCV(estimator=model, param_grid=param_grid)

grid.fit(X_train.values, y_train.values)

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。