人工智能神经网络

        利用女性糖尿病人的有身次数、血糖、血压、皮脂厚度、胰岛素等特征通过BP神经网络来预测一个女性是否患有糖尿病，而且盘算出模型预测的正确率。通过女性糖尿病患者的一系列特征构建一个BP神经网络模型，通过该模型预测一名女性患有糖尿病的概率。
        main.py

1. #导入keras等模块
2. from tensorflow.python.keras.models import Sequential
3. from tensorflow.python.keras.layers import Dense
4. import numpy as np
5. from sklearn.model_selection import train_test_split
6. import warnings
7. warnings.filterwarnings('ignore')
8. #导入女性糖尿病患者的特征数据
9. dataset = np.loadtxt('pima-indians-diabetes.csv', delimiter=',')
10. X = dataset[:, 0 : 8]
11. Y = dataset[:, 8]
12. # 将数据按照8:2比例分成训练集和测试集
13. x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=1)
14. print(x_train.shape)
15. print(x_test.shape)
16. # 创建BP神经网络
17. model = Sequential()
18. # 输入层8个变量，与数据维度一致
19. # 第一个隐藏层有12个神经元，且采用ReLU激活函数，glorot均匀分布初始化器，偏差值初始为0
20. model.add(Dense(12, input_dim=8, activation='relu', kernel_initializer='glorot_uniform', bias_initializer='zeros'))
21. # 第二个隐藏层有8个神经元，且采用ReLU激活函数
22. model.add(Dense(8, activation='relu'))
23. # 输出层1个神经元，且采用Sigmoid激活函数
24. model.add(Dense(1, activation='sigmoid'))
25. #使用adam为优化器
26. model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
27. model.fit(x=x_train, y=y_train, epochs=150, batch_size=10)
28. # 打印出模型每层权值
29. print(model.trainable_weights)
30. print(model.get_weights())
31. # 评估模型
32. scores = model.evaluate(x=x_test, y=y_test)
33. print('\n%s : %.2f%%' % (model.metrics_names[1], scores[1]*100))

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。