介紹在本文中，我們將學習一種深度學習技術如何用于尋找乳腺癌數(shù)據(jù)集的準確性，但我知道大多數(shù)技術人員不知道我在說什么，我們將從基礎開始，然后繼續(xù)討論我們的主題。首先我們簡單介紹一下深度學習，什么是人工神經(jīng)網(wǎng)絡？什么是深度學習？如果我們談論深度學習，那么可以簡單地理解它是機器學習的一個子集。我們可以說深度學習是一種人工智能功能，它模仿人腦并處理該數(shù)據(jù)并創(chuàng)建用于決策的模式。深度學習是一種類似于人腦的機器學習類型，它使用稱為神經(jīng)網(wǎng)絡的多層算法結(jié)構。它的算法試圖復制人類將使用給定邏輯結(jié)構分析數(shù)據(jù)的數(shù)據(jù)。它也被稱為深度神經(jīng)網(wǎng)絡或深度神經(jīng)學習。

在深度學習中有一個叫做人工神經(jīng)網(wǎng)絡的概念，我們將在下面簡要討論：人工神經(jīng)網(wǎng)絡顧名思義，人工神經(jīng)網(wǎng)絡，就是人工神經(jīng)元的網(wǎng)絡。它指的是模仿大腦的生物啟發(fā)模型�？梢哉f，構建人腦結(jié)構的通常是基于生物神經(jīng)網(wǎng)絡的計算網(wǎng)絡。大家都知道，在我們的大腦中，神經(jīng)元是相互連接和傳遞數(shù)據(jù)的過程。它類似于人腦神經(jīng)元之間相互連接，神經(jīng)網(wǎng)絡由大量人工神經(jīng)元組成，稱為按層順序排列的單元。具有各層神經(jīng)元并形成一個完整的網(wǎng)絡。這些神經(jīng)元被稱為節(jié)點。它由三層組成，分別是：輸入層隱藏層輸出層

使用乳腺癌數(shù)據(jù)集創(chuàng)建ANN現(xiàn)在我們進入我們的主題，這里我們將采用數(shù)據(jù)集，然后創(chuàng)建人工神經(jīng)網(wǎng)絡并對診斷進行分類。首先，我們采用乳腺癌的數(shù)據(jù)集，然后繼續(xù)前進。乳腺癌數(shù)據(jù)集：https：／／www．kaggle．com／uciml／breast－cancer－wisconsin－data下載數(shù)據(jù)集后，我們將導入所需的重要庫。導入庫＃import pandas
import pandas as pd
＃import numpy
import numpy as np
import matplotlib．pyplot as plt
import seaborn as sb
這里我們導入了 pandas、NumPy 和一些可視化庫�，F(xiàn)在我們使用pandas加載我們的數(shù)據(jù)集：df ＝ pd．read＿csv（＇Breast＿cancer．csv＇）
df

在此數(shù)據(jù)集中，我們指向＊＊“diagnosis”＊＊特征列，因此我們使用 Pandas 檢查該列的值計數(shù)：＃ counting values of variables in ＇diagnosis＇
df［＇diagnosis＇］．value＿counts（）

現(xiàn)在為了更好地理解，我們可視化“diagnosis列”的值計數(shù)�？梢暬�值計數(shù)plt．figure（figsize＝［17，9］）
sb．countplot（df［＇diagnosis＇］．value＿counts（））
plt．show（）

空值在數(shù)據(jù)集中，我們必須檢查我們使用pandas的變量中是否存在空值：df．isnull（）．sum（）
執(zhí)行程序后，我們得出結(jié)論，特征名稱“Unnamed：32”包含所有空值，因此我們刪除該列。＃droping feature
df．drop（［＇Unnamed： 32＇，＇id＇］，axis＝1，inplace＝True）
自變量和因變量現(xiàn)在是時候?qū)��?shù)據(jù)集劃分為自變量和因變量了，為此我們創(chuàng)建了兩個變量，一個代表自變量，另一個代表因變量。＃ independent variables
x ＝ df．drop（＇diagnosis＇，axis＝1）
＃dependent variables
y ＝ df．diagnosis
處理分類值當我們打印因變量y 時，我們看到其中包含分類數(shù)據(jù)，我們必須將分類數(shù)據(jù)轉(zhuǎn)換為二進制格式以進行進一步處理，因此我們使用 Scikit learn Label Encoder 對分類數(shù)據(jù)進行編碼。from sklearn．preprocessing import LabelEncoder
＃creating the object
lb ＝ LabelEncoder（）
y ＝ lb．fit＿transform（y）
拆分數(shù)據(jù)現(xiàn)在是時候?qū)��?shù)據(jù)拆分為訓練和測試部分了：from sklearn．model＿selection import train＿test＿split
xtrain，xtest，ytrain，ytest ＝ train＿test＿split（x，y，test＿size＝0．3，random＿state＝40）
縮放數(shù)據(jù)當我們創(chuàng)建人工神經(jīng)網(wǎng)絡時，我們必須將數(shù)據(jù)縮放為更小的數(shù)字，因為深度學習算法將節(jié)點的權重和輸入數(shù)據(jù)相乘，這需要大量時間，因此為了減少該時間，我們縮放數(shù)據(jù)。對于縮放，我們使用 scikit learn StandardScaler模塊，我們縮放訓練和測試數(shù)據(jù)集：＃importing StandardScaler
from sklearn．preprocessing import StandardScaler
＃creating object
sc ＝ StandardScaler（）
xtrain ＝ sc．fit＿transform（xtrain）
xtest ＝ sc．transform（xtest）
從這里我們開始創(chuàng)建人工神經(jīng)網(wǎng)絡，為此我們導入用于創(chuàng)建 ANN 的重要庫：＃importing keras
import keras
＃importing sequential module
from keras．models import Sequential
＃ import dense module for hidden layers
from keras．layers import Dense
＃importing activation functions
from keras．layers import LeakyReLU，PReLU，ELU
from keras．layers import Dropout
創(chuàng)建層導入這些庫后，我們創(chuàng)建了三種類型的層：輸入層隱藏層輸出層首先，我們創(chuàng)建模型：＃creating model
classifier ＝ Sequential（）
Sequential模型適用于每一層恰好有一個輸入張量和一個輸出張量的平面堆棧�，F(xiàn)在我們創(chuàng)建神經(jīng)網(wǎng)絡的層：＃first hidden layer
classifier．a(chǎn)dd（Dense（units＝9，kernel＿initializer＝＇he＿uniform＇，activation＝＇relu＇，input＿dim＝30））
＃second hidden layer
classifier．a(chǎn)dd（Dense（units＝9，kernel＿initializer＝＇he＿uniform＇，activation＝＇relu＇））
＃ last layer or output layer
classifier．a(chǎn)dd（Dense（units＝1，kernel＿initializer＝＇glorot＿uniform＇，activation＝＇sigmoid＇））
在以下代碼中，使用 Dense 方法創(chuàng)建圖層，因為我們使用基本參數(shù)。第一個參數(shù)是輸出節(jié)點第二個是內(nèi)核權重矩陣的初始化器第三個是激活函數(shù)最后一個參數(shù)是輸入節(jié)點或獨立特征的數(shù)量。執(zhí)行此代碼后，我們使用以下方法對其進行總結(jié)：＃taking summary of layers
classifier．summary（）

編譯人工神經(jīng)網(wǎng)絡現(xiàn)在我們用優(yōu)化器編譯我們的模型：＃compiling the ANN
classifier．compile（optimizer＝＇adam＇，loss＝＇binary＿crossentropy＇，metrics＝［＇accuracy＇］）
將 ANN 擬合到訓練數(shù)據(jù)中編譯模型后，我們必須將 ANN 擬合到訓練數(shù)據(jù)中以進行預測： ＃fitting the ANN to the training set
model ＝ classifier．fit（xtrain，ytrain，batch＿size＝100，epochs＝100）

fit（）方法將神經(jīng)網(wǎng)絡與訓練數(shù)據(jù)進行擬合，在參數(shù)中設置batch＿size、epochs等變量的具體值。在訓練數(shù)據(jù)之后，我們還要對測試數(shù)據(jù)的準確性評分進行測試，如下所示：＃now testing for Test data
y＿pred ＝ classifier．predict（test）
在執(zhí)行此代碼時，我們發(fā)現(xiàn) y＿pred 包含不同的值，因此我們將預測值轉(zhuǎn)換為閾值，如True， False。＃converting values
y＿pred ＝ （y＿pred＞0．5）
print（y＿pred）

分數(shù)和混淆矩陣現(xiàn)在我們檢查混淆矩陣和預測值的分數(shù)。from sklearn．metrics import confusion＿matrix
from sklearn．metrics import accuracy＿score
cm ＝ confusion＿matrix（ytest，y＿pred）
score ＝ accuracy＿score（ytest，y＿pred）
print（cm）
print（＇score is：＇，score）
輸出：

可視化混淆矩陣在這里，我們可視化預測值的混淆矩陣＃ creating heatmap of comfussion matrix
plt．figure（figsize＝［14，7］）
sb．heatmap（cm，annot＝True）
plt．show（）

可視化數(shù)據(jù)歷史現(xiàn)在我們可視化每個時期的損失和準確性。＃ list all data in history
print（model．history．keys（））
＃ summarize history for accuracy
plt．plot（model．history［＇accuracy＇］）
plt．title（＇model accuracy＇）
plt．ylabel（＇accuracy＇）
plt．xlabel（＇epoch＇）
plt．legend（［＇train＇， ＇test＇］， loc＝＇upper left＇）
plt．show（）

＃ summarize history for loss
plt．plot（model．history［＇loss＇］）
plt．title（＇model loss＇）
plt．ylabel（＇loss＇）
plt．xlabel（＇epoch＇）
plt．legend（［＇train＇， ＇test＇］， loc＝＇upper left＇）
plt．show（）

保存模型最后，我們保存我們的模型＃saving the model
classifier．save（＇File＿name．h5＇）