(六)处理多维特征的输入（下）+pytorch实现糖尿病数据集的逻辑回归

糖尿病数据集的逻辑回归

数据集

pima-indians-diabetes: 一、 数据说明： Pima Indians Diabetes Data Set（皮马印第安人糖尿病数据集） 根据现有的医疗信息预测5年内皮马印第安人糖尿病发作的概率。 数据链接：https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabeteshttps://gitee.com/biabianm/pima-indians-diabetespima-indians-diabetes: 一、 数据说明： Pima Indians Diabetes Data Set（皮马印第安人糖尿病数据集） 根据现有的医疗信息预测5年内皮马印第安人糖尿病发作的概率。 数据链接：https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes

 解压后里面有一个pima-indians-diabetes.csv文件 复制粘贴到python代码统一目录下

 m_features.py如下

np.loadtxt()用于从文本加载数据。

loadtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)

 xy = np.loadtxt('pima-indians-diabetes.csv', delimiter=',', dtype=np.float32,skiprows = 1)

fname要读取的文件、文件名、或生成器。

dtype数据类型，默认float。

comments注释。

delimiter分隔符，默认是空格。

skiprows跳过前几行读取，默认是0，必须是int整型。

usecols要读取哪些列，0是第一列。例如，usecols = （1,4,5）将提取第2，第5和第6列。默认读取所有列。

unpack如果为True，将分列读取。
 

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np
 
 
# 加载数据集
xy = np.loadtxt('pima-indians-diabetes.csv', delimiter=',', dtype=np.float32,skiprows = 1)
# 数据预处理，包括从数据集里区分输入输出，最后把输入输出数据封装成Pytorch期望的Variable格式
X_train= torch.from_numpy(xy[:,:-1]) # 特征信息
y_train= torch.from_numpy(xy[:,[-1]])  # 目标分类
 
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1=torch.nn.Linear(8,6)
        self.linear2= torch.nn.Linear(6,4)
        self.linear3= torch.nn.Linear(4,1)
        self.sigmoid=torch.nn.Sigmoid()
    def forward(self,x):
        x=self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x
model=Model()
criterion=torch.nn.BCELoss(size_average=True)
optimizer=torch.optim.SGD(model.parameters(),lr=0.1)
px,py = [],[]       # 记录要绘制的数据
for epoch in range(1000):
    y_pred=model(X_train)
    loss=criterion(y_pred,y_train)
    print(epoch,loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
 
    px.append(epoch)
    py.append(loss.item())
plt.plot(px, py)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()
    # # 每十次迭代绘制训练动态
    # if epoch% 10 == 0:
    #     plt.cla()
    #     plt.plot(px, py, 'r-', lw=1)
    #     plt.text(0, 0, 'Loss=%.4f' % loss.item(), fontdict={'size': 20, 'color': 'red'})
    #     plt.pause(0.1)