我在Anaconda3中的Kaggle的数字识别器数据集上尝试第一个神经网络,以及一个直接的Kaggle内核,classifier.fit调用返回一个我不理解的关键错误
最后一次调用如下:
File "C:\Users\darkredhorse\Anaconda3\lib\site-packages\pandas\core\indexing.py", line 1231, in _convert_to_indexer
raise KeyError('%s not in index' % objarr[mask])
KeyError: '[ 9000 31
我正在尝试通过Python中的Keras深度学习库学习神经网络。我正在使用Python3,并引用了这个链接:
我尝试运行下面的代码,但得到以下错误:
ImportError:没有名为“sklearn.model_selection”的模块
import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection i
我使用了sklearn和Keras的组合,使用Theano作为后端。我用的是以下代码-
import numpy as np
import pandas as pd
from pandas import Series, DataFrame
import keras
from keras.callbacks import EarlyStopping, ModelCheckpoint
from keras.constraints import maxnorm
from keras.models import Sequential
from keras.layers import Dense, Dr
import pandas as pd
data=pd.read_csv("tesdata.csv")
data
x=data.iloc[:,0:2].values
y=data.iloc[:,2].values
from sklearn.preprocessing import StandardScaler
sc=StandardScaler()
x=sc.fit_transform(x)
y=sc.fit_transform(y.reshape(1,-1))
from keras.models import Sequential
from keras.layers impo
我是训练加载我的模型没有我的数据库,但我必须使用标准规模分割。这是我的密码:
import tensorflow as tf
import pandas as pd
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
dataset = pd.r
在评估为下面的回归问题合成的训练模型的过程中,我在绘制结果history时有些困惑。特别是当我不考虑任何metrics时 import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.datasets import fetch_california_housing
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
hou
我试图用Iris数据集计算交叉熵损失,但是当我运行我的模型并启动我的图时,我的损失和验证损失都保持在零直线上。我不知道我做错了什么。这是我的密码:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow import keras
fr
这是我的代码:
# Importing the essential libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# Getting the dataset
data = pd.read_csv("sales_train.csv")
X = data.iloc[:, 1:-1].values
y = data.iloc[:, -1].values
# y = np.array(y).reshape(-1, 1)
# Getting the values fo
我试图在Keras中实现一个回归模型,但是无法知道如何计算我的模型的分数,即它在我的数据集上的表现如何。
import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.cross_validation import cross_val_score, KFold
from sklearn.preprocessing
import os
from pylab import rcParams
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns; sns.set()
from numpy import *
from scipy import stats
from pandas.plotting import scatter_matrix
import sklearn
import warnings
from imblearn.over_sam
import IPython.display as ipd
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import librosa
from tqdm import tqdm
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.op
我已经使用Keras regressor对数据进行回归拟合。我使用Scikit-learn wrapper和Pipeline首先对数据进行标准化,然后将其放在Keras regressor上。有点像这样:
from sklearn.grid_search import GridSearchCV
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.preprocessing imp
我正在使用Keras模型上的sklearn执行超参数优化任务。我试图在管道内优化KerasClassifiers .守则如下:
import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score, StratifiedKFold,Rando
我正在尝试使用自动编码器和Keras来检测欺诈。我以的形式编写了以下代码
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
from sklearn.preprocessing import StandardScaler
from keras.layers import Input, Dense
from keras.models import Model
import matplotlib.pyplot as plt
data
我很难将我的数据集安装到我的模型中。我不知道这个错误代表什么,当然也不知道如何修正它。谢谢!
import numpy as np
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense
dataset = pd.read_csv('Churn_Modelling.csv'
我使用以下代码构建了一个Keras回归器:
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import StandardScaler
from sklearn.
我有一个标记的数据集。最后一列(78)包含4种类型的攻击。下面的代码混淆矩阵是正确的两种类型的攻击。有谁能帮助修改keras多类攻击检测和修正代码以获得正确的混淆矩阵?对于精度的正确编码,FPR、TPR适用于多类。谢谢。
import pandas as pd
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from sklearn.model_selection import train_test_split
df = pd.read_csv("data\heart.csv&
我是一个初学者,对安和DL一般。我有一个目标为二维的回归任务,我的数据集只有46个样本(我认为是小数据集)。我尝试了下面的代码,它只对一个正常工作的输出进行了回归。
当我改变为二维回归时,我的损失函数就等于NaN。我试图改变优化器并修正辍学率,但是没有什么改变,有解决方案吗?
import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.wrappers.scikit_learn i
我正在用一个简单的数据集训练一个神经网络。我尝试了不同的参数组合,优化器,学习率...但是,即使在20个时代之后,网络仍然没有学到任何东西。 我想知道在下面的代码中问题出在哪里? from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Input, Dense, Flatten
from tensorflow import keras
from livelossplot import PlotLossesKeras
from keras.models imp
在选择顺序模型的最优超参数集之前,我想执行交叉验证。
据我所知,键错误是由x_train_scaled列名和cv_train值之间的列的差异引起的。但我该怎么纠正呢?
import math
import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras import Model, Sequential, layers
from tensorflow.keras.optimizers import Adam
from sklearn.preprocessing import Standar
我正在tensorflow联邦中实现一个回归模型。我从本教程中为keras使用的一个简单模型开始:
我改变了模型来使用联邦学习。这是我的模型:
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import tensorflow_federated as tff
dataset_path = keras.utils.get_file("auto-mpg.data", "http://archive.i
我有一个保存模型,我想为新的数据预测加载模型。我有新的数据,我已经预测了模型,但是预测的结果是完全错误的。我是否必须再次预先处理新的数据来预测模型?
这是我的保存模型代码:
import numpy as np
from numpy import loadtxt
import matplotlib.pyplot as plt
import pandas as pd
dataset = pd.read_csv('Data_Sensor.csv')
dataset.head()
X = dataset.iloc[:, 1:3].values
y
因此,我正在尝试开发一个深度学习程序,它可以根据回归问题来预测葡萄酒的质量。数据集来自。我读过一些教程,但主要是基于的。
此代码是在colab.research.google.com上编写和运行的。它的运行没有任何问题,但是r2_score是负的,我不能完全理解为什么我们有时要使用X_test和Xtest,例如预测r2_score等。
import matplotlib.pyplot as plt
import h5py # export models in HDF5 format
from keras.datasets import mnist
from keras.utils import
我正在用Keras建模一个神经网络,我试图用acc和val_acc的图表来评估它。我在以下代码行中有3个错误:
在print(history.keys())中,错误是function' object has not attribute 'keys'
在y_pred = classifier.predict(X_test)中,错误是name 'classifier' is not defined
在plt.plot(history.history['acc'])中,错误是'History' object is n
在fit transform方法中编译我的代码时,它显示了一个关于数组形状的错误“ValueError: error when checking input:期望dense_1_input具有形状(6,),但得到了形状为(11,)的数组”
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
dataset = pd.read_csv('Churn_Modelling.csv')
x = dataset.iloc[:, 3:13].values
y = dataset.iloc[:,
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import preprocessing
data = pd.read_csv('Boston.csv')
X1 = data.iloc[:,1:5]
X2 = data.iloc[:,6:14]
X = pd.concat([X1,X2],axis=1)
y = pd.DataFrame(data.iloc[:,14])
'''
from sklearn.preprocessing i
我得到了一个错误:
ValueError:在检查输入时出错:期望dense_27_input具有形状(20 ),但得到了形状数组(3495,)
这是我的代码:
import pandas as pd
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Input, Dense
from keras.layers import Flatten
from sklearn.preprocessing import Stan
我一直在使用Keras回归上机器掌握的脚本,我想将模型保存为一个.h5文件。
Machinelearningmastery还有另一个节省型号/泡菜教程,但是脚本是用Keras…中的model.fit()方法编写的。但是我使用的脚本是通过调用函数来定义模型的。
有人能告诉我如何将这个模型保存为.h5df吗?
import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import
我正在尝试对保存在pandas.core.frame.DataFrame中的一些训练数据应用StandardScaler()。在这个过程中,我得到了一个ValueError: setting an array element with a sequence。 当试图将不适当的数据类型传递给StandardScaler() (如列表)时,通常会发生这种情况,但这只是一个pandas数据帧(这在某种程度上是此类工作的标准)。代码如下所示: X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random