Question

我正在尝试用特定的代码片段解决分类问题，并且在准确了解如何将数据馈入神经网络方面遇到困难。

我开始使用1-of-C虚拟编码对数据进行编码，因此我可以在数据中保留分类上下文。我还没有完全完成对数据的编码，因为我不完全了解如何利用手头的代码进行输入。

这是到目前为止我的编码数据的示例：

'In Raw format, for predicting Political Party Affiliation
   'Age Sex     Income    Area      Party
[0] 30  male    38000.00  urban     democrat
[1] 36  female  42000.00  suburban  republican
[2] 52  male    40000.00  rural     independent
[3] 42  female  44000.00  suburban  other

'Encoded Format
[0] -1.23  -1.0  -1.34  ( 0.0   1.0)  (0.0  0.0  0.0  1.0)
[1] -0.49   1.0   0.45  ( 1.0   0.0)  (0.0  0.0  1.0  0.0)
[2]  1.48  -1.0  -0.45  (-1.0  -1.0)  (0.0  1.0  0.0  0.0)
[3]  0.25   1.0   1.34  ( 1.0   0.0)  (1.0  0.0  0.0  0.0)

我对数字数据使用了高斯归一化，对String数据使用了1-of-C伪编码和1-of-（C-1）编码。数据的最后一列是类别。

考虑以下代码；输入变量X接受以下格式的数据：

X=np.array([[1,0,1,0],[1,0,1,1],[0,1,0,1]])

在遍历所有数据之前，我是否像这样输入数据？

X=np.array([[-1.23,-1,-1.34,0010],[00000010,-.49,1,.45],[1000,00001000,1.48,-1]])

我已经阅读了以下SO问题：How is input dataset fed into neural network?有助于阐明该过程。应如何逐行馈送要素，并以目标要素/标签（在这种情况下为政党）作为每行的最后一个要素。这对我来说很有意义。在发布的代码中，我假设变量Y是目标。

请记住，我的输入应该是这样：

X=np.array([[-1.23,-1,-1.34,0010],[00000010,0,0,0],[0,0,0,0]])

我仅在捕获第一行的情况下使用“目标”功能作为最后的输入？

我不确定应该是哪一个。谢谢您的提前帮助。

import numpy as np

#Input array
 X=np.array([[1,0,1,0],[1,0,1,1],[0,1,0,1]])

#Output
 y=np.array([[1],[1],[0]])

#Sigmoid Function
 def sigmoid (x):
 return 1/(1 + np.exp(-x))

#Derivative of Sigmoid Function
 def derivatives_sigmoid(x):
 return x * (1 - x)

#Variable initialization
 epoch=5000 #Setting training iterations
 lr=0.1 #Setting learning rate
 inputlayer_neurons = X.shape[1] #number of features in data set
 hiddenlayer_neurons = 3 #number of hidden layers neurons
 output_neurons = 1 #number of neurons at output layer

#weight and bias initialization
 wh=np.random.uniform(size=(inputlayer_neurons,hiddenlayer_neurons))
 bh=np.random.uniform(size=(1,hiddenlayer_neurons))
 wout=np.random.uniform(size=(hiddenlayer_neurons,output_neurons))
 bout=np.random.uniform(size=(1,output_neurons))

for i in range(epoch):

#Forward Propogation
 hidden_layer_input1=np.dot(X,wh)
 hidden_layer_input=hidden_layer_input1 + bh
 hiddenlayer_activations = sigmoid(hidden_layer_input)
 output_layer_input1=np.dot(hiddenlayer_activations,wout)
 output_layer_input= output_layer_input1+ bout
 output = sigmoid(output_layer_input)

#Backpropagation
 E = y-output
 slope_output_layer = derivatives_sigmoid(output)
 slope_hidden_layer = derivatives_sigmoid(hiddenlayer_activations)
 d_output = E * slope_output_layer
 Error_at_hidden_layer = d_output.dot(wout.T)
 d_hiddenlayer = Error_at_hidden_layer * slope_hidden_layer
 wout += hiddenlayer_activations.T.dot(d_output) *lr
 bout += np.sum(d_output, axis=0,keepdims=True) *lr
 wh += X.T.dot(d_hiddenlayer) *lr
 bh += np.sum(d_hiddenlayer, axis=0,keepdims=True) *lr

print output

Answer 1

一个大问题。

从SciKit Learn开始使用预先构建的神经网络实现

下一步，将数据拆分为特征和标签（首先展平输入向量）

X_features=X[:,:-1]
X_labels=X[:,-1]

然后设置SciKit MLP

model=MLPClassifier(args...)

适合您的数据

model.fit(X_features,X_labels)

Voila ...

现在您可以使用来预测新的输入

Y=model.predict(input_vector)

Nb：以真实的数据科学的名义，请记住将您的数据分成训练和验证集（例如90/10）

如何将我的训练数据输入到该神经网络

1 个答案: