七层神经网络 PK logstic 回归

    

    logstic链接    在这 篇文章中，我们讨论了logstic 回归，但是logstic回归的正确率太低了
在那个算例中，正确率只有66.2%

import pandas as pdinputfile1='horseColicTraining.xlsx' input1= pd.read_excel(inputfile1).valuesdata_train=input1'''data_max = data_train.max()data_min = data_train.min()# data_std = data_train.std()#data_train1 = (data_train-data_min)/(data_max-data_min) #数据标准化'''train_input=data_train[:,0:21]train_label=data_train[:,21:22]from keras.models import Sequentialfrom keras.layers.core import Dense, Dropout, Activationmodel = Sequential() #建立模型model.add(Dense(input_dim = 21, output_dim = 48)) #添加输入层、隐藏层的连接model.add(Activation('tanh')) #以Relu函数为激活函数model.add(Dense(input_dim = 48, output_dim = 48)) #添加隐藏层、隐藏层的连接model.add(Activation('relu')) #以Relu函数为激活函数model.add(Dropout(0.2))model.add(Dense(input_dim = 48, output_dim = 36)) #添加隐藏层、隐藏层的连接model.add(Activation('relu')) #以Relu函数为激活函数model.add(Dropout(0.2))model.add(Dense(input_dim = 36, output_dim = 36)) #添加隐藏层、隐藏层的连接model.add(Activation('relu')) #以Relu函数为激活函数model.add(Dense(input_dim = 36, output_dim = 12)) #添加隐藏层、隐藏层的连接model.add(Activation('relu')) #以Relu函数为激活函数model.add(Dense(input_dim = 36, output_dim = 36)) #添加隐藏层、隐藏层的连接model.add(Activation('relu')) #以Relu函数为激活函数model.add(Dense(input_dim = 36, output_dim = 1)) #添加隐藏层、输出层的连接model.add(Activation('sigmoid')) #以sigmoid函数为激活函数#编译模型，损失函数为binary_crossentropy，用adam法求解model.compile(loss='mean_squared_error', optimizer='adam')model.fit(train_input, train_label, nb_epoch = 1000, batch_size = 20) #训练模型inputfile2='horseColicTest.xlsx' input2= pd.read_excel(inputfile1).valuesdata_test=input2'''test_max = data_test.max()test_min = data_test.min()# data_std = data_train.std()test_train = (data_test-test_min)/(test_max-test_min) #数据标准化'''test_input=data_test[:,0:21]test_label=data_test[:,21:22]r = pd.DataFrame(model.predict_classes(test_input))print('/n')  print('I love tt and cc')        from sklearn.metrics import accuracy_scoreprint(accuracy_score(test_label, r)) 

0.993288590604

    
    当我采用神经网络时，正确率取得了惊人的提高
达到99.3%

    logstic 回归 ，从本质上说，就是一个单层感知器，仅此而已。 一个输入层 ，一个激活层的单层感知机。
    在本文中，我采用的是一个七层神经网络，更深沉的大脑才能进行深度思考，单纯的logstic 回归 太浅薄了。

提取密码 l1hr

github