深度学习|泰坦尼克号生还数据预测（MLP）
深度学习|泰坦尼克号生还数据预测（MLP）
罗罗攀
发布于 2019-01-28 13:49:41
发布于 2019-01-28 13:49:41
前言
上次分享，我们利用pandas和sklearn完成了泰坦尼克号数据的预处理，包括下面的步骤，具体可看深度学习|泰坦尼克号生还数据处理
- 选取建模字段
- 缺失值处理
- 性别处理
- 登陆船舱的处理
- 划分数据集
- 数据的标准化
那这篇文章我们就构造神经网络来完成数据的建模和预测。
MLP建模
模型结构
模型结构为：
- 输入层，也就是9个神经元（对应9个字段）
- 隐藏层1，40个神经元
- 隐藏层2，30个神经元
- 输出层，1个神经元
建立模型
from keras.models import Sequential
from keras.layers import Dense,Dropout
model = Sequential()
model.add(Dense(units=40, input_dim=9,
kernel_initializer='uniform',
activation='relu'))
model.add(Dense(units=30,
kernel_initializer='uniform',
activation='relu'))
model.add(Dense(units=1,
kernel_initializer='uniform',
activation='sigmoid'))训练模型
model.compile(loss='binary_crossentropy',
optimizer='adam', metrics=['accuracy'])
train_history =model.fit(x=X_train,
y=y_train,
validation_split=0.1,
epochs=30,
batch_size=30,verbose=2)
测试
scores = model.evaluate(x=X_test,
y=y_test)
scores[1]
# result 0.804这样，我们的泰坦尼克号数据预测工作就完成了。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019.01.22 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录