介紹在本文中，我們將學(xué)習(xí)一種深度學(xué)習(xí)技術(shù)如何用于尋找乳腺癌數(shù)據(jù)集的準(zhǔn)確性，但我知道大多數(shù)技術(shù)人員不知道我在說(shuō)什么，我們將從基礎(chǔ)開(kāi)始，然后繼續(xù)討論我們的主題。首先我們簡(jiǎn)單介紹一下深度學(xué)習(xí)，什么是人工神經(jīng)網(wǎng)絡(luò)？什么是深度學(xué)習(xí)？如果我們談?wù)撋疃葘W(xué)習(xí)，那么可以簡(jiǎn)單地理解它是機(jī)器學(xué)習(xí)的一個(gè)子集。我們可以說(shuō)深度學(xué)習(xí)是一種人工智能功能，它模仿人腦并處理該數(shù)據(jù)并創(chuàng)建用于決策的模式。深度學(xué)習(xí)是一種類似于人腦的機(jī)器學(xué)習(xí)類型，它使用稱為神經(jīng)網(wǎng)絡(luò)的多層算法結(jié)構(gòu)。它的算法試圖復(fù)制人類將使用給定邏輯結(jié)構(gòu)分析數(shù)據(jù)的數(shù)據(jù)。它也被稱為深度神經(jīng)網(wǎng)絡(luò)或深度神經(jīng)學(xué)習(xí)。

在深度學(xué)習(xí)中有一個(gè)叫做人工神經(jīng)網(wǎng)絡(luò)的概念，我們將在下面簡(jiǎn)要討論：人工神經(jīng)網(wǎng)絡(luò)顧名思義，人工神經(jīng)網(wǎng)絡(luò)，就是人工神經(jīng)元的網(wǎng)絡(luò)。它指的是模仿大腦的生物啟發(fā)模型。可以說(shuō)，構(gòu)建人腦結(jié)構(gòu)的通常是基于生物神經(jīng)網(wǎng)絡(luò)的計(jì)算網(wǎng)絡(luò)。大家都知道，在我們的大腦中，神經(jīng)元是相互連接和傳遞數(shù)據(jù)的過(guò)程。它類似于人腦神經(jīng)元之間相互連接，神經(jīng)網(wǎng)絡(luò)由大量人工神經(jīng)元組成，稱為按層順序排列的單元。具有各層神經(jīng)元并形成一個(gè)完整的網(wǎng)絡(luò)。這些神經(jīng)元被稱為節(jié)點(diǎn)。它由三層組成，分別是：輸入層隱藏層輸出層

使用乳腺癌數(shù)據(jù)集創(chuàng)建ANN現(xiàn)在我們進(jìn)入我們的主題，這里我們將采用數(shù)據(jù)集，然后創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)并對(duì)診斷進(jìn)行分類。首先，我們采用乳腺癌的數(shù)據(jù)集，然后繼續(xù)前進(jìn)。乳腺癌數(shù)據(jù)集：https：／／www．kaggle．com／uciml／breast－cancer－wisconsin－data下載數(shù)據(jù)集后，我們將導(dǎo)入所需的重要庫(kù)。導(dǎo)入庫(kù)＃import pandas
import pandas as pd
＃import numpy
import numpy as np
import matplotlib．pyplot as plt
import seaborn as sb
這里我們導(dǎo)入了 pandas、NumPy 和一些可視化庫(kù)�，F(xiàn)在我們使用pandas加載我們的數(shù)據(jù)集：df ＝ pd．read＿csv（＇Breast＿cancer．csv＇）
df

在此數(shù)據(jù)集中，我們指向＊＊“diagnosis”＊＊特征列，因此我們使用 Pandas 檢查該列的值計(jì)數(shù)：＃ counting values of variables in ＇diagnosis＇
df［＇diagnosis＇］．value＿counts（）

現(xiàn)在為了更好地理解，我們可視化“diagnosis列”的值計(jì)數(shù)�？梢暬�值計(jì)數(shù)plt．figure（figsize＝［17，9］）
sb．countplot（df［＇diagnosis＇］．value＿counts（））
plt．show（）

空值在數(shù)據(jù)集中，我們必須檢查我們使用pandas的變量中是否存在空值：df．isnull（）．sum（）
執(zhí)行程序后，我們得出結(jié)論，特征名稱“Unnamed：32”包含所有空值，因此我們刪除該列。＃droping feature
df．drop（［＇Unnamed： 32＇，＇id＇］，axis＝1，inplace＝True）
自變量和因變量現(xiàn)在是時(shí)候?qū)��?shù)據(jù)集劃分為自變量和因變量了，為此我們創(chuàng)建了兩個(gè)變量，一個(gè)代表自變量，另一個(gè)代表因變量。＃ independent variables
x ＝ df．drop（＇diagnosis＇，axis＝1）
＃dependent variables
y ＝ df．diagnosis
處理分類值當(dāng)我們打印因變量y 時(shí)，我們看到其中包含分類數(shù)據(jù)，我們必須將分類數(shù)據(jù)轉(zhuǎn)換為二進(jìn)制格式以進(jìn)行進(jìn)一步處理，因此我們使用 Scikit learn Label Encoder 對(duì)分類數(shù)據(jù)進(jìn)行編碼。from sklearn．preprocessing import LabelEncoder
＃creating the object
lb ＝ LabelEncoder（）
y ＝ lb．fit＿transform（y）
拆分?jǐn)?shù)據(jù)現(xiàn)在是時(shí)候?qū)��?shù)據(jù)拆分為訓(xùn)練和測(cè)試部分了：from sklearn．model＿selection import train＿test＿split
xtrain，xtest，ytrain，ytest ＝ train＿test＿split（x，y，test＿size＝0．3，random＿state＝40）
縮放數(shù)據(jù)當(dāng)我們創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)時(shí)，我們必須將數(shù)據(jù)縮放為更小的數(shù)字，因?yàn)樯疃葘W(xué)習(xí)算法將節(jié)點(diǎn)的權(quán)重和輸入數(shù)據(jù)相乘，這需要大量時(shí)間，因此為了減少該時(shí)間，我們縮放數(shù)據(jù)。對(duì)于縮放，我們使用 scikit learn StandardScaler模塊，我們縮放訓(xùn)練和測(cè)試數(shù)據(jù)集：＃importing StandardScaler
from sklearn．preprocessing import StandardScaler
＃creating object
sc ＝ StandardScaler（）
xtrain ＝ sc．fit＿transform（xtrain）
xtest ＝ sc．transform（xtest）
從這里我們開(kāi)始創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)，為此我們導(dǎo)入用于創(chuàng)建 ANN 的重要庫(kù)：＃importing keras
import keras
＃importing sequential module
from keras．models import Sequential
＃ import dense module for hidden layers
from keras．layers import Dense
＃importing activation functions
from keras．layers import LeakyReLU，PReLU，ELU
from keras．layers import Dropout
創(chuàng)建層導(dǎo)入這些庫(kù)后，我們創(chuàng)建了三種類型的層：輸入層隱藏層輸出層首先，我們創(chuàng)建模型：＃creating model
classifier ＝ Sequential（）
Sequential模型適用于每一層恰好有一個(gè)輸入張量和一個(gè)輸出張量的平面堆棧�，F(xiàn)在我們創(chuàng)建神經(jīng)網(wǎng)絡(luò)的層：＃first hidden layer
classifier．a(chǎn)dd（Dense（units＝9，kernel＿initializer＝＇he＿uniform＇，activation＝＇relu＇，input＿dim＝30））
＃second hidden layer
classifier．a(chǎn)dd（Dense（units＝9，kernel＿initializer＝＇he＿uniform＇，activation＝＇relu＇））
＃ last layer or output layer
classifier．a(chǎn)dd（Dense（units＝1，kernel＿initializer＝＇glorot＿uniform＇，activation＝＇sigmoid＇））
在以下代碼中，使用 Dense 方法創(chuàng)建圖層，因?yàn)槲覀兪褂没�本參�?shù)。第一個(gè)參數(shù)是輸出節(jié)點(diǎn)第二個(gè)是內(nèi)核權(quán)重矩陣的初始化器第三個(gè)是激活函數(shù)最后一個(gè)參數(shù)是輸入節(jié)點(diǎn)或獨(dú)立特征的數(shù)量。執(zhí)行此代碼后，我們使用以下方法對(duì)其進(jìn)行總結(jié)：＃taking summary of layers
classifier．summary（）

編譯人工神經(jīng)網(wǎng)絡(luò)現(xiàn)在我們用優(yōu)化器編譯我們的模型：＃compiling the ANN
classifier．compile（optimizer＝＇adam＇，loss＝＇binary＿crossentropy＇，metrics＝［＇accuracy＇］）
將 ANN 擬合到訓(xùn)練數(shù)據(jù)中編譯模型后，我們必須將 ANN 擬合到訓(xùn)練數(shù)據(jù)中以進(jìn)行預(yù)測(cè)： ＃fitting the ANN to the training set
model ＝ classifier．fit（xtrain，ytrain，batch＿size＝100，epochs＝100）

fit（）方法將神經(jīng)網(wǎng)絡(luò)與訓(xùn)練數(shù)據(jù)進(jìn)行擬合，在參數(shù)中設(shè)置batch＿size、epochs等變量的具體值。在訓(xùn)練數(shù)據(jù)之后，我們還要對(duì)測(cè)試數(shù)據(jù)的準(zhǔn)確性評(píng)分進(jìn)行測(cè)試，如下所示：＃now testing for Test data
y＿pred ＝ classifier．predict（test）
在執(zhí)行此代碼時(shí)，我們發(fā)現(xiàn) y＿pred 包含不同的值，因此我們將預(yù)測(cè)值轉(zhuǎn)換為閾值，如True， False。＃converting values
y＿pred ＝ （y＿pred＞0．5）
print（y＿pred）

分?jǐn)?shù)和混淆矩陣現(xiàn)在我們檢查混淆矩陣和預(yù)測(cè)值的分?jǐn)?shù)。from sklearn．metrics import confusion＿matrix
from sklearn．metrics import accuracy＿score
cm ＝ confusion＿matrix（ytest，y＿pred）
score ＝ accuracy＿score（ytest，y＿pred）
print（cm）
print（＇score is：＇，score）
輸出：

可視化混淆矩陣在這里，我們可視化預(yù)測(cè)值的混淆矩陣＃ creating heatmap of comfussion matrix
plt．figure（figsize＝［14，7］）
sb．heatmap（cm，annot＝True）
plt．show（）

可視化數(shù)據(jù)歷史現(xiàn)在我們可視化每個(gè)時(shí)期的損失和準(zhǔn)確性。＃ list all data in history
print（model．history．keys（））
＃ summarize history for accuracy
plt．plot（model．history［＇accuracy＇］）
plt．title（＇model accuracy＇）
plt．ylabel（＇accuracy＇）
plt．xlabel（＇epoch＇）
plt．legend（［＇train＇， ＇test＇］， loc＝＇upper left＇）
plt．show（）

＃ summarize history for loss
plt．plot（model．history［＇loss＇］）
plt．title（＇model loss＇）
plt．ylabel（＇loss＇）
plt．xlabel（＇epoch＇）
plt．legend（［＇train＇， ＇test＇］， loc＝＇upper left＇）
plt．show（）

保存模型最后，我們保存我們的模型＃saving the model
classifier．save（＇File＿name．h5＇）