資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學如何使用TensorFlow訓練和評估泰坦尼克號資料集？
可以使用TensorFlow的`train`方法和`evaluate`方法分別訓練和評估泰坦尼克號資料集。
閱讀更多： 什麼是TensorFlow以及Keras如何與TensorFlow一起建立神經網路？
我們將使用Keras Sequential API，它有助於構建順序模型，用於處理簡單的層堆疊，其中每一層只有一個輸入張量和一個輸出張量。
包含至少一層卷積層的神經網路稱為卷積神經網路。我們可以使用卷積神經網路構建學習模型。
我們使用Google Colaboratory執行以下程式碼。Google Colab或Colaboratory幫助在瀏覽器上執行Python程式碼，無需任何配置，並可免費訪問GPU（圖形處理單元）。Colaboratory構建在Jupyter Notebook之上。
估計器是TensorFlow對完整模型的高階表示。它旨在易於擴充套件和非同步訓練。我們將使用`tf.estimator` API訓練一個邏輯迴歸模型。該模型用作其他演算法的基線。我們使用泰坦尼克號資料集，目標是根據性別、年齡、等級等特徵預測乘客的生存情況。
示例
linear_est = tf.estimator.LinearClassifier(feature_columns)
print("The model is being trained")
linear_est.train(train_input_fn, max_steps=100)
print("The model is being evaluated")
result = linear_est.evaluate(eval_input_fn)
clear_output()
print(pd.Series(result))程式碼來源 −https://www.tensorflow.org/tutorials/estimator/boosted_trees
輸出
accuracy 0.765152 accuracy_baseline 0.625000 auc 0.832844 auc_precision_recall 0.789631 average_loss 0.478908 label/mean 0.375000 loss 0.478908 precision 0.703297 prediction/mean 0.350790 recall 0.646465 global_step 100.000000 dtype: float64
解釋
- 模型已初始化。
- 還提到了特徵和超引數。
- 使用`train_input_fn`將訓練資料饋送到模型。
- 使用`train`函式訓練模型。
- 使用評估集確定模型效能。
- 使用`dfeval` DataFrame確定性能。
- 透過檢查`y_eval`陣列中的標籤來驗證預測。
- 在訓練提升樹模型之前，會訓練一個線性分類器。
- 這樣做是為了從簡單的模型開始，建立一個基準。
更新於：2021年2月25日
瀏覽量：184
廣告