Как построить кривые потери и точности обучения для модели MLP в Керасе? - PullRequest
Новая
       51

Как построить кривые потери и точности обучения для модели MLP в Керасе?

0 голосов
/ 02 октября 2018

Я моделирую нейронную сеть с использованием Keras и пытаюсь оценить ее с помощью графика acc и val_acc.У меня есть 3 ошибки в следующих строках кода:

  1. В print(history.keys()) Ошибка function' object has not attribute 'keys'
  2. В y_pred = classifier.predict(X_test) Ошибка name 'classifier' is not defined
  3. In plt.plot(history.history['acc']) Ошибка: 'History' object is not subscriptable

Я также пытаюсь построить график кривой ROC, как я могу это сделать? 

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import keras
from keras.models import Sequential
from keras.layers import Dense
from sklearn import cross_validation
from matplotlib import pyplot
from keras.utils import plot_model

dataset = pd.read_csv('Data_BP.csv')
X = dataset.iloc[:, 0:11].values
y = dataset.iloc[:, -1].values

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size = 0.2, random_state = 0)

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

def Model():
    classifier = Sequential()
    classifier.add(Dense(units = 12, kernel_initializer = 'uniform', activation = 'relu', input_dim = 11))
    classifier.add(Dense(units = 8, kernel_initializer = 'uniform', activation = 'relu'))
    classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
    classifier.compile(optimizer = 'adam', loss = 'mean_squared_error', metrics = ['mse', 'acc'])
    return classifier

classifier = Model()
history = classifier.fit(X_train, y_train, validation_split=0.25, batch_size = 10, epochs = 5)

print('\n', history.history.keys())

y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

from sklearn.metrics import recall_score, classification_report, auc, roc_curve
cm = confusion_matrix(y_test, y_pred)
print(cm)


plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()

Какие функции должныбыть добавленным?

1 Ответ

0 голосов
/ 02 октября 2018

Измените history на classifier в следующих строках (фактически History объект - это возвращаемое значение метода fit, вызванного для Model объекта), например: 

classifier = Model()
history = classifier.fit(...)

ДонНе путайте возвращаемое значение метода fit с вашей моделью.Объект History, как следует из его названия, содержит только историю обучения.Тем не менее, ваша модель classifier и это та, которая имеет методы , такие как fit(), predict(), evaluate(), compile() и т. Д.

Плюс,У объекта History есть атрибут с именем history, который представляет собой словарь, содержащий значения потерь и метрик во время обучения.Поэтому вам нужно вместо этого использовать print(history.history.keys()).

Теперь, если вы хотите, например, построить график кривой потерь во время обучения (т.е. потери в конце каждой эпохи), вы можете сделать это следующим образом: 

loss_values = history.history['loss']
epochs = range(1, len(loss_values)+1)

plt.plot(epochs, loss_values, label='Training Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.show()
...