---

Python 深度学习 - 实现

在此深度学习实现中，我们的目标是预测某家银行的客户流失或流失数据 - 哪些客户可能会离开该银行服务。使用的数据集相对较小，包含 10000 行和 14 列。我们使用 Anaconda 发行版以及 Theano、TensorFlow 和 Keras 等框架。Keras 建立在 Tensorflow 和 Theano 之上，后者作为其后端。

# 人工神经网络
# 安装 Theano
pip install --upgrade theano

# 安装 Tensorflow
pip install –upgrade tensorflow

# 安装 Keras
pip install --upgrade keras

步骤 1:数据预处理

In[]:

# 导入库
   import numpy as np
   import matplotlib.pyplot as plt
   import pandas as pd
 
# 导入数据库
   dataset = pd.read_csv('Churn_Modelling.csv')

步骤 2

我们创建数据集特征和目标变量的矩阵，即第 14 列，标记为"Exited"。

数据的初始外观如下所示 −

In[]:
X = dataset.iloc[:, 3:13].values
Y = dataset.iloc[:, 13].values
X

输出

步骤 3

Y

输出

array([1, 0, 1, ..., 1, 1, 0], dtype = int64)

步骤 4

我们通过编码字符串变量使分析更简单。我们使用 ScikitLearn 函数"LabelEncoder"自动对列中的不同标签进行编码，值介于 0 到 n_classes-1 之间。

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X_1 = LabelEncoder() 
X[:,1] = labelencoder_X_1.fit_transform(X[:,1]) 
labelencoder_X_2 = LabelEncoder() 
X[:, 2] = labelencoder_X_2.fit_transform(X[:, 2])
X

输出

在上面的输出中，国家名称被替换为 0、1 和 2；而男性和女性被替换为 0 和 1。

步骤 5

标记编码数据

我们使用相同的 ScikitLearn 库和另一个名为 OneHotEncoder 的函数来传递列号，从而创建一个虚拟变量。

onehotencoder = OneHotEncoder(categorical features = [1])
X = onehotencoder.fit_transform(X).toarray()
X = X[:, 1:]
X

现在，前两列代表国家，第四列代表性别。

输出

我们总是将数据分为训练和测试部分；我们在训练数据上训练模型，然后在测试数据上检查模型的准确性，这有助于评估模型的效率。

第 6 步

我们使用 ScikitLearn 的 train_test_split 函数将数据分为训练集和测试集。我们将训练与测试的分割比例保持在 80:20。

#将数据集分割为训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

有些变量的值以千为单位，而有些变量的值以十或个为单位。我们对数据进行缩放，使其更具代表性。

第 7 步

在此代码中，我们使用 StandardScaler 函数拟合和转换训练数据。我们对缩放进行标准化，以便使用相同的拟合方法来转换/缩放测试数据。

# Feature Scaling

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

输出

数据现在已正确缩放。最后，我们完成了数据预处理。现在，我们将开始我们的模型。

第 8 步

我们在这里导入所需的模块。我们需要 Sequential 模块来初始化神经网络，以及密集模块来添加隐藏层。

# 导入 Keras 库和包
import keras
from keras.models import Sequential
from keras.layers import Dense

第 9 步

我们将模型命名为分类器，因为我们的目标是对客户流失进行分类。然后我们使用 Sequential 模块进行初始化。

#初始化神经网络
classifier = Sequential()

第 10 步

我们使用密集函数逐个添加隐藏层。在下面的代码中，我们将看到许多参数。

我们的第一个参数是 output_dim。它是我们添加到此层的节点数。init 是随机梯度下降的初始化。在神经网络中，我们为每个节点分配权重。在初始化时，权重应接近于零，我们使用均匀函数随机初始化权重。input_dim 参数仅对第一层有用，因为模型不知道我们的输入变量的数量。这里输入变量的总数是11。在第二层，模型会自动从第一个隐藏层知道输入变量的数量。

执行下面这行代码，将输入层和第一个隐藏层相加 −

classifier.add(Dense(units = 6, kernel_initializer = 'uniform', 
activation = 'relu', input_dim = 11))

执行以下代码行添加第二个隐藏层 −

classifier.add(Dense(units = 6, kernel_initializer = 'uniform',
activation = 'relu'))

执行以下代码行添加输出层 −

classifier.add(Dense(units = 1, kernel_initializer = 'uniform',
activation = 'sigmoid'))

第 11 步

编译 ANN

到目前为止，我们已经为分类器添加了多个层。现在我们将使用 compile 方法编译它们。在最终编译控制中添加的参数完成了神经网络。因此，我们需要小心这一步。

下面是参数的简要说明。

第一个参数是优化器。这是一种用于查找最佳权重集的算法。该算法称为随机梯度下降 (SGD)。在这里我们使用几种类型中的一种，称为"Adam 优化器"。SGD 取决于损失，因此我们的第二个参数是损失。如果我们的因变量是二进制的，我们使用称为"binary_crossentropy"的对数损失函数，如果我们的因变量在输出中有两个以上的类别，那么我们使用"categorical_crossentropy"。我们希望基于准确度来提高神经网络的性能，因此我们添加指标作为准确度。

# 编译神经网络
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

第 12 步

此步骤需要执行一些代码。

将 ANN 拟合到训练集

现在我们在训练数据上训练我们的模型。我们使用 fit 方法来拟合我们的模型。我们还优化权重以提高模型效率。为此，我们必须更新权重。Batch size 是我们更新权重后的观察次数。Epoch 是迭代总数。批次大小和时期的值由试错法选择。

classifier.fit(X_train, y_train, batch_size = 10, epochs = 50)

进行预测并评估模型

# 预测测试集结果
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

预测单个新观察值

# 预测单个新观察值
"""Our goal is to predict if the customer with the following data will leave the bank:
Geography: Spain
Credit Score: 500
Gender: Female
Age: 40
Tenure: 3
Balance: 50000
Number of Products: 2
Has Credit Card: Yes
Is Active Member: Yes

步骤 13

预测测试集结果

预测结果将为您提供客户离开公司的概率。我们将该概率转换为二进制 0 和 1。

# 预测测试集结果
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

new_prediction = classifier.predict(sc.transform
(np.array([[0.0, 0, 500, 1, 40, 3, 50000, 2, 1, 1, 40000]])))
new_prediction = (new_prediction > 0.5)

步骤 14

这是我们评估模型性能的最后一步。我们已经有了原始结果，因此我们可以构建混淆矩阵来检查模型的准确性。

制作混淆矩阵

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
print (cm)

输出

loss: 0.3384 acc: 0.8605
[ [1541 54]
[230 175] ]

从混淆矩阵中，我们模型的准确率可以计算为 −

准确率 = 1541+175/2000=0.858

我们实现了 85.8% 的准确率，这很好。

前向传播算法

在本节中，我们将学习如何编写代码对简单的神经网络进行前向传播(预测)−

每个数据点都是一个客户。第一个输入是他们有多少个账户，第二个输入是他们有多少个孩子。该模型将预测用户明年进行多少笔交易。

输入数据已预先加载为输入数据，权重位于名为 weights 的字典中。隐藏层中第一个节点的权重数组位于 weights ['node_0'] 中，隐藏层中第二个节点的权重数组位于 weights['node_1'] 中。

输入到输出节点的权重位于 weights 中。

修正线性激活函数

"激活函数"是在每个节点上运行的函数。它将节点的输入转换为某个输出。

修正线性激活函数(称为 ReLU)广泛用于高性能网络。此函数将单个数字作为输入，如果输入为负数，则返回 0，如果输入为正数，则返回输入作为输出。

以下是一些示例 −

• relu(4) = 4
• relu(-2) = 0

我们填写 relu() 函数的定义−

• 我们使用 max() 函数计算 relu() 的输出值。
• 我们将 relu() 函数应用于 node_0_input 以计算 node_0_output。
• 我们将 relu() 函数应用于 node_1_input 以计算 node_1_output。

import numpy as np
input_data = np.array([-1, 2])
weights = {
   'node_0': np.array([3, 3]),
   'node_1': np.array([1, 5]),
   'output': np.array([2, -1])
}
node_0_input = (input_data * weights['node_0']).sum()
node_0_output = np.tanh(node_0_input)
node_1_input = (input_data * weights['node_1']).sum()
node_1_output = np.tanh(node_1_input)
hidden_layer_output = np.array(node_0_output, node_1_output)
output =(hidden_layer_output * weights['output']).sum()
print(output)

def relu(input):
   '''Define your relu activation function here'''
   # 计算 relu 函数输出的值:输出
   output = max(input,0)
      # Return the value just calculated
   return(output)
# 计算节点 0 值:node_0_output
node_0_input = (input_data * weights['node_0']).sum()
node_0_output = relu(node_0_input)

# 计算节点 1 值:node_1_output
node_1_input = (input_data * weights['node_1']).sum()
node_1_output = relu(node_1_input)

# 将节点值放入数组:hidden_​​layer_outputs
hidden_​​layer_outputs = np.array([node_0_output, node_1_output])

# 计算模型输出(不应用 relu)
odel_output = (hidden_layer_outputs * weights['output']).sum()
print(model_output)# Print model output

输出

0.9950547536867305
-3

将网络应用于许多观测/数据行

在本节中，我们将学习如何定义一个名为 predict_with_network() 的函数。此函数将为从上述网络中获取的多个数据观测生成预测，这些观测作为 input_data。正在使用上述网络中给出的权重。relu() 函数定义也在使用中。

让我们定义一个名为 predict_with_network() 的函数，它接受两个参数 - input_data_row 和权重 - 并返回来自网络的预测作为输出。

我们计算每个节点的输入和输出值，并将它们存储为:node_0_input、node_0_output、node_1_input 和 node_1_output。

要计算节点的输入值，我们将相关数组相乘并计算它们的总和。

要计算节点的输出值，我们将 relu() 函数应用于节点的输入值。我们使用"for 循环"来迭代 input_data −

我们还使用 predict_with_network() 为 input_data - input_data_row 的每一行生成预测。我们还将每个预测附加到结果中。

# 定义 predict_with_network()
def predict_with_network(input_data_row, weights):
   # 计算节点 0 的值
   node_0_input = (input_data_row * weights['node_0']).sum()
   node_0_output = relu(node_0_input)
   
   # 计算节点1的值
   node_1_input = (input_data_row * weights['node_1']).sum()
   node_1_output = relu(node_1_input)
   
   # 将节点值放入数组:hidden_​​layer_outputs
   hidden_layer_outputs = np.array([node_0_output, node_1_output])
   
   # 计算模型输出
   input_to_final_layer = (hidden_layer_outputs*weights['output']).sum()
   model_output = relu(input_to_final_layer)
# 返回模型输出
   return(model_output)

# 创建空列表来存储预测结果
results = []
for input_data_row in input_data:
   # 将预测附加到结果中
   results.append(predict_with_network(input_data_row, weights))
print(results)# Print results

输出

[0, 12]

这里我们使用了 relu 函数，其中 relu(26) = 26 和 relu(-13)=0 等等。

深度多层神经网络

这里我们编写代码来对具有两个隐藏层的神经网络进行前向传播。每个隐藏层都有两个节点。输入数据已预加载为 input_data。第一个隐藏层中的节点称为 node_0_0 和 node_0_1。

它们的权重分别预加载为 weights['node_0_0'] 和 weights['node_0_1']。

第二个隐藏层中的节点称为 node_1_0 和 node_1_1。它们的权重分别预加载为 weights['node_1_0'] 和 weights['node_1_1']。

然后，我们使用预加载为 weights['output'] 的权重从隐藏节点创建模型输出。

我们使用其权重 weights['node_0_0'] 和给定的 input_data 计算 node_0_0_input。然后应用 relu() 函数来获取 node_0_0_output。

我们对 node_0_1_input 执行与上述相同的操作以获取 node_0_1_output。

我们使用其权重 weights['node_1_0'] 和第一个隐藏层的输出 hidden_​​0_outputs 来计算 node_1_0_input。然后我们应用 relu() 函数来获取 node_1_0_output。

我们对 node_1_1_input 执行与上述相同的操作以获取 node_1_1_output。

我们使用 weights['output'] 和第二个隐藏层 hidden_​​1_outputs 数组的输出来计算 model_output。我们不对此输出应用 relu() 函数。

import numpy as np
input_data = np.array([3, 5])
weights = {
   'node_0_0': np.array([2, 4]),
   'node_0_1': np.array([4, -5]),
   'node_1_0': np.array([-1, 1]),
   'node_1_1': np.array([2, 2]),
   'output': np.array([2, 7])
}
def predict_with_network(input_data):
   # 计算第一个隐藏层的节点 0
   node_0_0_input = (input_data * weights['node_0_0']).sum()
   node_0_0_output = relu(node_0_0_input)
   
   # 计算第一个隐藏层的节点1
   node_0_1_input = (input_data*weights['node_0_1']).sum()
   node_0_1_output = relu(node_0_1_input)
   
   # 将节点值放入数组:hidden_​​0_outputs
   hidden_0_outputs = np.array([node_0_0_output, node_0_1_output])
   
   # 计算第二个隐藏层的节点0
   node_1_0_input = (hidden_0_outputs*weights['node_1_0']).sum()
   node_1_0_output = relu(node_1_0_input)
   
   # 计算第二隐藏层节点1
   node_1_1_input = (hidden_0_outputs*weights['node_1_1']).sum()
   node_1_1_output = relu(node_1_1_input)
   
   # 将节点值放入数组:hidden_​​1_outputs
   hidden_1_outputs = np.array([node_1_0_output, node_1_1_output])
   
   # 计算模型输出:model_output
   model_output = (hidden_1_outputs*weights['output']).sum()
      # 返回模型输出 model_output
   return(model_output)
output = predict_with_network(input_data)
print(output)

输出

364

---