【Keras】学习笔记5:多分类实例：鸢尾花分类_deepctr实现鸢尾花多分类实现

数据集可以从UCI机器学习仓库下载（http://archive.ics.uci.edu/ml/datasets/Iris）
深度学习中要求数据全部都是数据
下例，数据集具有4个数值型输入项目，输出项目是鸢尾花的3个子类。使用scikit-learn中提供的数据集。
输入层（4个输入）—> 隐藏层（4个神经元）—> 隐藏层（6个神经元）—> 输出层（3个输出）

from sklearn import datasets
import numpy as np
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
from sklearn.model_selection import KFold

# 导入数据
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

# 设定随机种子
seed = 7
np.random.seed(seed)

# 构建模型函数
def create_model(optimizer='adam', init='glorot_uniform'):
    # 构建模型    *输入层（4个输入）---> 隐藏层（4个神经元）---> 隐藏层（6个神经元）---> 输出层（3个输出）
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4, kernel_initializer=init))
    model.add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))

    # 编译模型
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])

    return model

model = KerasClassifier(build_fn=create_model, epochs=200, batch_size=5, verbose=0)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x, Y, cv=kfold)
print('Accuracy: %.2f%% (%.2f)' % (results.mean()*100, results.std()))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35