Python线性网络实现分类糖尿病病例

1. 加载数据集

这次我们搭建一个小小的多层线性网络对糖尿病的病例进行分类

首先先导入需要的库文件

先来看看我们的数据集

观察可以发现，前八列是我们的feature ，根据这八个特征可以判断出病人是否得了糖尿病。所以最后一列是1，0 的一个二分类问题

我们使用numpy 去导入数据集，delimiter 是定义分隔符，这里我们用逗号(,)分割

将前八列的特征放到我们的x_data里面，作为特征输入，最后一列放到y_data作为label

Tip ：这里y_data 里面的 [-1] 中括号不可以省略，否则y_data会变成向量的形式

如果不习惯这种写法，可以用view改变一下形状就行

y_data = torch.from_numpy(xy[:,-1]).view(-1,1) #将y_data 的代码改成这样就可以了

下面是xy , x_data , y_data 打印出前两行的结果

2. 搭建网络+优化器

搭建网络的时候，要保证两层网络之间的维数能对应上

首先第一层的时候，因为前八列作为我们的x_data ，也就是说我们输入的特征是 8 维度的，那么由于 y = x * wT + b ，因为输入数据的x是(n * 8) 的，而我们定义的y维度是(n * 6) ，所以wT的维度应该是(8,6)

这里不需要知道啥时候转置，啥时候不转置之类的，只要满足线性的方程y = w*x+b，并且维度一致就行了。因为不管是转置，或者w和x谁在前，只是为了保证满足矩阵相乘而已

一个小的技巧就是：只需要看输入特征是多少，然后保证第一层第一个参数对应就行了，然后第一层第二个参数是想输出的维度。其次是第二层的第一个参数对应第一层第二个参数，以此类推....

我们采用的激活函数是ReLU ， 由于是二元分类，最后一个网络的输出我们采用sigmoid输出

接下来，搭建实例化我们的网络，然后建立优化器

这里我们选择SGD随机梯度下降算法，学习率设置为0.01

3. 训练网络

训练网络的过程较为简单，大概的过程为

1. 计算预测值

2. 计算损失函数

3. 反向传播，之前要进行梯度清零

4. 梯度更新

5. 重复这个过程，epoch 为所有样本计算一次的周期，这次让epoch 迭代1000次

4. 代码

import torch.nn as nn    # 神经网络库
import matplotlib.pyplot as plt  # 绘图
import torch        # 张量
from torch import optim  # 优化器库
import numpy as np          # 数据处理
xy = np.loadtxt('./diabetes.csv.gz',delimiter=',',dtype=np.float32)    # 加载数据集
x_data = torch.from_numpy(xy[:,:-1])  # 所有行，除了最后一列的元素
y_data = torch.from_numpy(xy[:,-1]).view(-1,1) # -1也能拿出来是向量，但是[-1]会保证拿出来的是个矩阵
epoch_list =[]
loss_list = []
class Model(nn.Module):
   def __init__(self):
       super(Model,self).__init__()
       self.linear1 = nn.Linear(8,6)
       self.linear2 = nn.Linear(6,3)
       self.linear3 = nn.Linear(3,1)
       self.sigmoid = nn.Sigmoid()
       self.relu = nn.ReLU()
   def forward(self,x):
       x = self.relu(self.linear1(x))
       x = self.relu(self.linear2(x))
       x = self.sigmoid(self.linear3(x))
       return x
model = Model()
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(),lr =0.01)
for epoch in range(1000):
   y_pred = model(x_data)
   loss = criterion(y_pred,y_data)   # 计算损失
   if epoch ％ 100 ==0:   # 每隔100次打印一下
       print(epoch,loss.item())
   #back propagation
   optimizer.zero_grad()    # 梯度清零
   loss.backward()          # 反向传播
   optimizer.step()         # 梯度更新
   epoch_list.append(epoch)
   loss_list.append(loss.item())
plt.plot(epoch_list,loss_list)
plt.show()

输出结果为：

来源：https://blog.csdn.net/qq_44886601/article/details/127347389