经典案例鸢尾花分类，在Keras中使用sklearn调参

Dear 丶 2022-12-17 15:58 167阅读 0赞

**数据集介绍**  
![20201024133756785.png][]

有5维数据：花萼长度，花萼宽度，花瓣长度，花瓣宽度，花的种类

花的种类  
‘setosa’, ‘versicolor’, ‘virginica’

## **算例** ##

**第一步.包导入**

**第二步.使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码**

#随机种子设置
    seed=13
    np.random.seed(seed)
    
    #导入数据
    df=pd.read_csv('iris.txt')
    X=df.values[:,0:4].astype(float)#df.values转换为numpy型
    Y=df.values[:,4]#类别是一个字符串
    
    encoder=LabelEncoder()
    Y_encoded=encoder.fit_transform(Y)#得到的是012
    Y_onehot=np_utils.to_categorical(Y_encoded)#one_hot化

**第三步.使用Keras创建一个用于鸢尾花分类识别的神经网络**

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 keras.utils import np_utils#one_hot
    from sklearn.model_selection import cross_val_score #交叉验证
    from sklearn.model_selection import KFold#K折计算
    from sklearn.preprocessing import LabelEncoder#标签处理
    from keras .models import model_from_json #存储模型
    
    #随机种子设置
    seed=13
    np.random.seed(seed)
    
    #导入数据
    df=pd.read_csv('iris.txt')
    X=df.values[:,0:4].astype(float)#df.values转换为numpy型
    Y=df.values[:,4]#类别是一个字符串
    
    encoder=LabelEncoder()
    Y_encoded=encoder.fit_transform(Y)#得到的是012
    Y_onehot=np_utils.to_categorical(Y_encoded)#one_hot化
    
    #定义一个神经网络
    def baseline_model():
        model=Sequential()
        model.add(Dense(7,input_dim=4,activation='tanh'))#神经元个数7个，输入数据4维，激活函数tanh
        model.add(Dense(3,activation='softmax'))#输出层,3个类别
        model.compile(loss='mean_squared_error',optimizer='adam',metrics=['accuracy'])#损失函数，编译器，评价
        return model
    
    estimator=KerasClassifier(build_fn=baseline_model,epochs=20,batch_size=1,verbose=1)#包装成了机器学习模型
    #评估系统
    kfold=KFold(n_splits=10,shuffle=True,random_state=seed)#把数据打乱分成10份，每次选1份作为验证集
    result=cross_val_score(estimator,X,Y_onehot,cv=kfold)#交叉验证
    
    print('accuracy of cross validlation, mean %.2f ,std %.2f'%(result.mean(),result.std()))
    
    #模型保存
    
    estimator.fit(X,Y_onehot)
    model_json=estimator.model.to_json()
    with open('model.json','w')as json_file:#保存结构，输入层有几个维度，输出层几个维度，激活函数是什么
        json_file.write(model_json)
    
    estimator.model.save_weights('model.h5')#权重存储
    print('saved model to disk')
    
    #导入模型做预测
    json_file=open('model.json','r')
    loaded_model_json=json_file.read()
    json_file.close()
    
    loaded_model=model_from_json(loaded_model_json)
    loaded_model.load_weights('model.h5')
    print('已经从磁盘中读入了模型')
    
    #预测
    predicted=loaded_model.predict(X)
    print('这是概率'+str(predicted))
    predicted_label=loaded_model.predict_classes()
    print('这是类别'+str(predicted_label))

**第四步.训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能**  
训练图  
![20201024144732278.png][]  
结果图  
![20201024144900305.png][]

**知识点总结**  
Scikit-Learn是一个功能齐全的通用机器学习库，并提供在深度学习模型中有帮助的方法。  
Keras类库为深度学习模型提供了一个包装类wrapper，将Keras的深度学习模型包装成Scikit-Learn中的分类模型或回归模型，以便于方便地使用Scikit-Learn中的方法和函数。  
KerasClassifier(用于分类模型)

KerasRegression(用于回归模型)

from keras.wrappers.scikit_learn import KerasClassifier

包装成了机器学习模型

estimator=KerasClassifier(build_fn=baseline_model,epochs=20,batch_size=1,verbose=1)#包装成了机器学习模型

机器学习模型可以做一系统调参，如网格搜索等，本文进行交叉验证  
![在这里插入图片描述][20201024145953622.jpg_pic_center]  
作者：电气工程的计算机萌新-余登武  
![在这里插入图片描述][20201024150036638.gif_pic_center]

[20201024133756785.png]: /images/20221122/94e6cfd7e32845c09061e12fab5f593f.png
[20201024144732278.png]: /images/20221122/7968a1c5dc0a4a9f8b630e87118bbf2d.png
[20201024144900305.png]: /images/20221122/3a8e4c56a8114375af32bc263dd708d3.png
[20201024145953622.jpg_pic_center]: /images/20221122/7b491d5f7c5a4c0d89340a167c61a376.png
[20201024150036638.gif_pic_center]: /images/20221122/2448216142b94f23a278b5e36c92bffa.png