【tensorflow2.0】处理结构化数据-titanic生存预测

1、准备数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import models,layers

dftrain_raw = pd.read_csv(‘./data/titanic/train.csv‘)
dftest_raw = pd.read_csv(‘./data/titanic/test.csv‘)
dftrain_raw.head(10)

部分数据:

相关字段说明:

  • Survived:0代表死亡,1代表存活【y标签】
  • Pclass:乘客所持票类,有三种值(1,2,3) 【转换成onehot编码】
  • Name:乘客姓名 【舍去】
  • Sex:乘客性别 【转换成bool特征】
  • Age:乘客年龄(有缺失) 【数值特征,添加“年龄是否缺失”作为辅助特征】
  • SibSp:乘客兄弟姐妹/配偶的个数(整数值) 【数值特征】
  • Parch:乘客父母/孩子的个数(整数值)【数值特征】
  • Ticket:票号(字符串)【舍去】
  • Fare:乘客所持票的价格(浮点数,0-500不等) 【数值特征】
  • Cabin:乘客所在船舱(有缺失) 【添加“所在船舱是否缺失”作为辅助特征】
  • Embarked:乘客登船港口:S、C、Q(有缺失)【转换成onehot编码,四维度 S,C,Q,nan】

2、探索数据

(1)标签分布

%matplotlib inline
%config InlineBackend.figure_format = ‘png‘
ax = dftrain_raw[‘Survived‘].value_counts().plot(kind = ‘bar‘,
     figsize = (12,8),fontsize=15,rot = 0)
ax.set_ylabel(‘Counts‘,fontsize = 15)
ax.set_xlabel(‘Survived‘,fontsize = 15)
plt.show()

(2) 年龄分布

年龄分布情况

%matplotlib inline
%config InlineBackend.figure_format = ‘png‘
ax = dftrain_raw[‘Age‘].plot(kind = ‘hist‘,bins = 20,color= ‘purple‘,
                    figsize = (12,8),fontsize=15)

ax.set_ylabel(‘Frequency‘,fontsize = 15)
ax.set_xlabel(‘Age‘,fontsize = 15)
plt.show()

(3) 年龄和标签之间的相关性

%matplotlib inline
%config InlineBackend.figure_format = ‘png‘
ax = dftrain_raw.query(‘Survived == 0‘)[‘Age‘].plot(kind = ‘density‘,
                      figsize = (12,8),fontsize=15)
dftrain_raw.query(‘Survived == 1‘)[‘Age‘].plot(kind = ‘density‘,
                      figsize = (12,8),fontsize=15)
ax.legend([‘Survived==0‘,‘Survived==1‘],fontsize = 12)
ax.set_ylabel(‘Density‘,fontsize = 15)
ax.set_xlabel(‘Age‘,fontsize = 15)
plt.show()

3、数据预处理

(1)将Pclass转换为one-hot编码

dfresult=pd.DataFrame()
#将船票类型转换为one-hot编码
dfPclass=pd.get_dummies(dftrain_raw["Pclass"])
#设置列名
dfPclass.columns =[‘Pclass_‘+str(x) for x in dfPclass.columns]
dfresult = pd.concat([dfresult,dfPclass],axis = 1)
dfresult

(2) 将Sex转换为One-hot编码

#Sex
dfSex = pd.get_dummies(dftrain_raw[‘Sex‘])
dfresult = pd.concat([dfresult,dfSex],axis = 1)
dfresult

(3) 用0填充Age列缺失值,并重新定义一列Age_null用来标记缺失值的位置

#将缺失值用0填充
dfresult[‘Age‘] = dftrain_raw[‘Age‘].fillna(0)
#增加一列数据为Age_null,同时将不为0的数据用0,将为0的数据用1表示,也就是标记出现0的位置
dfresult[‘Age_null‘] = pd.isna(dftrain_raw[‘Age‘]).astype(‘int32‘)
dfresult

(4) 直接拼接SibSp、Parch、Fare

dfresult[‘SibSp‘] = dftrain_raw[‘SibSp‘]
dfresult[‘Parch‘] = dftrain_raw[‘Parch‘]
dfresult[‘Fare‘] = dftrain_raw[‘Fare‘]
dfresult

(5) 标记Cabin缺失的位置

#Carbin
dfresult[‘Cabin_null‘] =  pd.isna(dftrain_raw[‘Cabin‘]).astype(‘int32‘)
dfresult

(6)将Embarked转换成one-hot编码

#Embarked
#需要注意的参数是dummy_na=True,将缺失值另外标记出来
dfEmbarked = pd.get_dummies(dftrain_raw[‘Embarked‘],dummy_na=True)
dfEmbarked.columns = [‘Embarked_‘ + str(x) for x in dfEmbarked.columns]
dfresult = pd.concat([dfresult,dfEmbarked],axis = 1)
dfresult

最后,我们将上述操作封装成一个函数:

def preprocessing(dfdata):

    dfresult= pd.DataFrame()

    #Pclass
    dfPclass = pd.get_dummies(dfdata[‘Pclass‘])
    dfPclass.columns = [‘Pclass_‘ +str(x) for x in dfPclass.columns ]
    dfresult = pd.concat([dfresult,dfPclass],axis = 1)

    #Sex
    dfSex = pd.get_dummies(dfdata[‘Sex‘])
    dfresult = pd.concat([dfresult,dfSex],axis = 1)

    #Age
    dfresult[‘Age‘] = dfdata[‘Age‘].fillna(0)
    dfresult[‘Age_null‘] = pd.isna(dfdata[‘Age‘]).astype(‘int32‘)

    #SibSp,Parch,Fare
    dfresult[‘SibSp‘] = dfdata[‘SibSp‘]
    dfresult[‘Parch‘] = dfdata[‘Parch‘]
    dfresult[‘Fare‘] = dfdata[‘Fare‘]

    #Carbin
    dfresult[‘Cabin_null‘] =  pd.isna(dfdata[‘Cabin‘]).astype(‘int32‘)

    #Embarked
    dfEmbarked = pd.get_dummies(dfdata[‘Embarked‘],dummy_na=True)
    dfEmbarked.columns = [‘Embarked_‘ + str(x) for x in dfEmbarked.columns]
    dfresult = pd.concat([dfresult,dfEmbarked],axis = 1)

    return(dfresult)

然后进行数据预处理:

x_train = preprocessing(dftrain_raw)
y_train = dftrain_raw[‘Survived‘].values

x_test = preprocessing(dftest_raw)
y_test = dftest_raw[‘Survived‘].values

print("x_train.shape =", x_train.shape )
print("x_test.shape =", x_test.shape )

x_train.shape = (712, 15)

x_test.shape = (179, 15)

3、使用tensorflow定义模型

使用Keras接口有以下3种方式构建模型:使用Sequential按层顺序构建模型,使用函数式API构建任意结构模型,继承Model基类构建自定义模型。此处选择使用最简单的Sequential,按层顺序模型。

tf.keras.backend.clear_session()

model = models.Sequential()
model.add(layers.Dense(20,activation = ‘relu‘,input_shape=(15,)))
model.add(layers.Dense(10,activation = ‘relu‘ ))
model.add(layers.Dense(1,activation = ‘sigmoid‘ ))

model.summary()

4、训练模型

训练模型通常有3种方法,内置fit方法,内置train_on_batch方法,以及自定义训练循环。此处我们选择最常用也最简单的内置fit方法

# 二分类问题选择二元交叉熵损失函数
model.compile(optimizer=‘adam‘,
            loss=‘binary_crossentropy‘,
            metrics=[‘AUC‘])

history = model.fit(x_train,y_train,
                    batch_size= 64,
                    epochs= 30,
                    validation_split=0.2 #分割一部分训练数据用于验证
                   )

结果:

Epoch 1/30
WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/resource_variable_ops.py:1817: calling BaseResourceVariable.__init__ (from tensorflow.python.ops.resource_variable_ops) with constraint is deprecated and will be removed in a future version.
Instructions for updating:
If using Keras pass *_constraint arguments to layers.
9/9 [==============================] - 0s 30ms/step - loss: 4.3524 - auc: 0.4888 - val_loss: 3.0274 - val_auc: 0.5492
Epoch 2/30
9/9 [==============================] - 0s 6ms/step - loss: 2.7962 - auc: 0.4710 - val_loss: 1.8653 - val_auc: 0.4599
Epoch 3/30
9/9 [==============================] - 0s 6ms/step - loss: 1.6765 - auc: 0.4040 - val_loss: 1.2673 - val_auc: 0.4067
Epoch 4/30
9/9 [==============================] - 0s 7ms/step - loss: 1.1195 - auc: 0.3799 - val_loss: 0.9501 - val_auc: 0.4006
Epoch 5/30
9/9 [==============================] - 0s 6ms/step - loss: 0.8156 - auc: 0.4874 - val_loss: 0.7090 - val_auc: 0.5514
Epoch 6/30
9/9 [==============================] - 0s 5ms/step - loss: 0.6355 - auc: 0.6611 - val_loss: 0.6550 - val_auc: 0.6502
Epoch 7/30
9/9 [==============================] - 0s 6ms/step - loss: 0.6308 - auc: 0.7169 - val_loss: 0.6502 - val_auc: 0.6546
Epoch 8/30
9/9 [==============================] - 0s 6ms/step - loss: 0.6088 - auc: 0.7156 - val_loss: 0.6463 - val_auc: 0.6610
Epoch 9/30
9/9 [==============================] - 0s 6ms/step - loss: 0.6066 - auc: 0.7163 - val_loss: 0.6372 - val_auc: 0.6644
Epoch 10/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5964 - auc: 0.7253 - val_loss: 0.6283 - val_auc: 0.6646
Epoch 11/30
9/9 [==============================] - 0s 7ms/step - loss: 0.5876 - auc: 0.7326 - val_loss: 0.6253 - val_auc: 0.6717
Epoch 12/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5827 - auc: 0.7409 - val_loss: 0.6195 - val_auc: 0.6708
Epoch 13/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5769 - auc: 0.7489 - val_loss: 0.6170 - val_auc: 0.6762
Epoch 14/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5719 - auc: 0.7555 - val_loss: 0.6156 - val_auc: 0.6803
Epoch 15/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5662 - auc: 0.7629 - val_loss: 0.6119 - val_auc: 0.6826
Epoch 16/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5627 - auc: 0.7694 - val_loss: 0.6107 - val_auc: 0.6892
Epoch 17/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5586 - auc: 0.7753 - val_loss: 0.6084 - val_auc: 0.6927
Epoch 18/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5539 - auc: 0.7837 - val_loss: 0.6051 - val_auc: 0.6983
Epoch 19/30
9/9 [==============================] - 0s 7ms/step - loss: 0.5479 - auc: 0.7930 - val_loss: 0.6011 - val_auc: 0.7056
Epoch 20/30
9/9 [==============================] - 0s 9ms/step - loss: 0.5451 - auc: 0.7986 - val_loss: 0.5996 - val_auc: 0.7128
Epoch 21/30
9/9 [==============================] - 0s 7ms/step - loss: 0.5406 - auc: 0.8047 - val_loss: 0.5962 - val_auc: 0.7192
Epoch 22/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5357 - auc: 0.8123 - val_loss: 0.5948 - val_auc: 0.7212
Epoch 23/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5295 - auc: 0.8181 - val_loss: 0.5928 - val_auc: 0.7267
Epoch 24/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5275 - auc: 0.8223 - val_loss: 0.5910 - val_auc: 0.7296
Epoch 25/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5263 - auc: 0.8227 - val_loss: 0.5884 - val_auc: 0.7325
Epoch 26/30
9/9 [==============================] - 0s 7ms/step - loss: 0.5199 - auc: 0.8313 - val_loss: 0.5860 - val_auc: 0.7356
Epoch 27/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5145 - auc: 0.8356 - val_loss: 0.5835 - val_auc: 0.7386
Epoch 28/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5138 - auc: 0.8383 - val_loss: 0.5829 - val_auc: 0.7402
Epoch 29/30
9/9 [==============================] - 0s 7ms/step - loss: 0.5092 - auc: 0.8405 - val_loss: 0.5806 - val_auc: 0.7416
Epoch 30/30
9/9 [==============================] - 0s 6ms/step - loss: 0.5082 - auc: 0.8394 - val_loss: 0.5792 - val_auc: 0.7424

5、评估模型

我们首先评估一下模型在训练集和验证集上的效果。

%matplotlib inline
%config InlineBackend.figure_format = ‘svg‘

import matplotlib.pyplot as plt

def plot_metric(history, metric):
    train_metrics = history.history[metric]
    val_metrics = history.history[‘val_‘+metric]
    epochs = range(1, len(train_metrics) + 1)
    plt.plot(epochs, train_metrics, ‘bo--‘)
    plt.plot(epochs, val_metrics, ‘ro-‘)
    plt.title(‘Training and validation ‘+ metric)
    plt.xlabel("Epochs")
    plt.ylabel(metric)
    plt.legend(["train_"+metric, ‘val_‘+metric])
    plt.show()
plot_metric(history,"loss")
plot_metric(history,"auc")

然后看在在测试集上的效果:

model.evaluate(x = x_test,y = y_test)

结果:

6/6 [==============================] - 0s 2ms/step - loss: 0.5286 - auc: 0.7869
[0.5286471247673035, 0.786877453327179]

6、使用模型

(1)预测概率

model.predict(x_test[0:10])

结果:

array([[0.34822357],
       [0.4793241 ],
       [0.43986577],
       [0.7916608 ],
       [0.50268507],
       [0.536609  ],
       [0.29079646],
       [0.6085641 ],
       [0.34384924],
       [0.17756936]], dtype=float32)

(2)预测类别

model.predict_classes(x_test[0:10])

结果:

WARNING:tensorflow:From <ipython-input-36-a161a0a6b51e>:1: Sequential.predict_classes (from tensorflow.python.keras.engine.sequential) is deprecated and will be removed after 2021-01-01.
Instructions for updating:
Please use instead:* `np.argmax(model.predict(x), axis=-1)`,   if your model does multi-class classification   (e.g. if it uses a `softmax` last-layer activation).* `(model.predict(x) > 0.5).astype("int32")`,   if your model does binary classification   (e.g. if it uses a `sigmoid` last-layer activation).
array([[0],
       [0],
       [0],
       [1],
       [1],
       [1],
       [0],
       [1],
       [0],
       [0]], dtype=int32)

7、保存模型

可以使用Keras方式保存模型,也可以使用TensorFlow原生方式保存。前者仅仅适合使用Python环境恢复模型,后者则可以跨平台进行模型部署。推荐使用后一种方式进行保存

1)使用keras方式保存

# 保存模型结构及权重
model.save(‘./data/keras_model.h5‘)
del model  #删除现有模型

(1)加载模型

# identical to the previous one
model = models.load_model(‘./data/keras_model.h5‘)
model.evaluate(x_test,y_test)
WARNING:tensorflow:Error in loading the saved optimizer state. As a result, your model is starting with a freshly initialized optimizer.
6/6 [==============================] - 0s 2ms/step - loss: 0.5286 - auc_1: 0.7869
[0.5286471247673035, 0.786877453327179]

(2)保存模型结构和恢复模型结构

# 保存模型结构
json_str = model.to_json()
# 恢复模型结构
model_json = models.model_from_json(json_str)

(3)保存模型权重

# 保存模型权重
model.save_weights(‘./data/keras_model_weight.h5‘)

(4)恢复模型结构并加载权重

# 恢复模型结构
model_json = models.model_from_json(json_str)
model_json.compile(
        optimizer=‘adam‘,
        loss=‘binary_crossentropy‘,
        metrics=[‘AUC‘]
    )

# 加载权重
model_json.load_weights(‘./data/keras_model_weight.h5‘)
model_json.evaluate(x_test,y_test)
6/6 [==============================] - 0s 3ms/step - loss: 0.5217 - auc: 0.8123
[0.521678626537323, 0.8122605681419373]

2)tensorflow原生方式

# 保存权重,该方式仅仅保存权重张量
model.save_weights(‘./data/tf_model_weights.ckpt‘,save_format = "tf")
# 保存模型结构与模型参数到文件,该方式保存的模型具有跨平台性便于部署

model.save(‘./data/tf_model_savedmodel‘, save_format="tf")
print(‘export saved model.‘)

model_loaded = tf.keras.models.load_model(‘./data/tf_model_savedmodel‘)
model_loaded.evaluate(x_test,y_test)
INFO:tensorflow:Assets written to: ./data/tf_model_savedmodel/assets
export saved model.
6/6 [==============================] - 0s 2ms/step - loss: 0.5286 - auc_1: 0.7869
[0.5286471247673035, 0.786877453327179]

参考:

开源电子书地址:https://lyhue1991.github.io/eat_tensorflow2_in_30_days/

GitHub 项目地址:https://github.com/lyhue1991/eat_tensorflow2_in_30_days

原文地址:https://www.cnblogs.com/xiximayou/p/12638196.html

时间: 2024-07-30 21:32:04

【tensorflow2.0】处理结构化数据-titanic生存预测的相关文章

详解Google-ProtoBuf中结构化数据的编码

原文转自:http://www.wuzesheng.com/?p=1258 本文的主要内容是google protobuf中序列化数据时用到的编码规则,但是,介绍具体的编码规则之前,我觉得有必要先简单介绍一下google protobuf.因此,本文首先会介绍一些google protobuf相关的内容,让读者朋友对google protobuf有一个初步的印象,然后,再开始进入正题—-深入浅出地介绍google protobuf中用到的编码规则.下面言归正传,开始今天的话题. 1. Googl

MySQL 5.7:非结构化数据存储的新选择

本文转载自:http://www.innomysql.net/article/23959.html (只作转载, 不代表本站和博主同意文中观点或证实文中信息) 工作10余年,没有一个版本能像MySQL 5.7那样令我激动与期盼,10月MySQL 5.7 GA版本的发布,意味着MySQL数据库终于有能力在传统企业中向商业数据库发起挑战,开源的Linux操作系统干掉了封闭的Unix系统,MySQL会不会再一次逆袭商业产品?目前来看,或许很难,但是机会已经掌握在自己上手,后面的发展就看MySQL团队能

非结构化数据

rlist扩展包 设计目标:更方便地在R中操作list对象 特性: 提供一系列高阶函数,可以方便地对list对象中的元素进行映射(mapping).筛选(filtering).分组(grouping).排序(sorting).合并(joining).更新(updating).搜索(searching)以及其他常用操作. 对管道操作(pipeline)友好,方便非结构化数据处理的流程化. 整合多种非结构化数据源的读写方法,方便接入数据源和输出数据. 合理利用R的元编程特性,简化使用. 基于表达式的

各式结构化数据 动态 接入-存储-查询 的处理办法 (第二部分)

各式结构化数据的动态接入存储查询,这一需求相信有很多人都遇到过,随着实现技术路线选择的不同,遇到的问题出入大了,其解决办法也是大相径庭.数据存储在哪儿,是关系型数据库,还是NoSQL数据库,是MySQL还是Oracle,怎么建立索引,建立什么类型的索引,都是大学问.下面,我要把我对这一解决办法的思考总结一下,有成熟的也有不成熟的,希望大家一起共同探讨. 关键词:结构化数据, 动态, 接入, 存储, 查询 首先,我们得定义一下在本文中什么是结构化数据,这里的结构化数据主要是指扁平化的.可以由基础数

静态结构化数据全文检索的实现思路

这里的静态结构化数据,是指从关系型数据库中抽取存储在NoSQL.文本文件或者其他格式文件的数据,并且数据不再变化. 全文检索是指任意字段的精确查询.模糊查询&范围查询.字母或数字模糊查询只支持前导查询,中文模糊查询则不受限制. 首先在抽取数据时,数据量特别大的数据表,按分区按ROWID分片分文件存储. 其次,实现数据查询. 思路一: 最常规的方法,在所有的字段上创建索引,由于事先不清楚数据的分布如何,因此都创建B+树索引. 中文模糊查询的实现是采用中文分词,把中文所有可能的分词组合起来创建索引.

利用Gson和SharePreference存储结构化数据

问题的导入 Android互联网产品通常会有很多的结构化数据需要保存,比如对于登录这个流程,通常会保存诸如username.profile_pic.access_token等等之类的数据,这些数据可以组成一个bean,比如就叫做User: public class User { String username; String access_token; String profile_pic; public String getUsername() { return username; } pub

【阿里云产品公测】结构化数据服务OTS之JavaSDK初体验

[阿里云产品公测]结构化数据服务OTS之JavaSDK初体验 作者:阿里云用户蓝色之鹰 一.OTS简单介绍 OTS 是构建在阿里云飞天分布式系统之上的NoSQL数据库服务,提供海量结构化数据的存储和实时访问.NoSQL,泛指非关系型的数据库.随着互联网web2.0网站的兴起,传统的关系数据库在应付web2.0网站,特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心,暴露了很多难以克服的问题,而非关系型的数据库则由于其本身的特点得到了非常迅速的发展.OTS应用程序可以使用阿

Hulu机器学习问题与解答系列 | 二十二:特征工程—结构化数据

听说最近冒出的大批呱儿子个个都是撑着眼皮也要看书的无眠小青蛙.我们学习Machine Learning的脚步又怎能停下来?动动手指,上滑开始~ 今天的内容是 [特征工程-结构化数据] 场景描述 特征工程是指结合问题寻找有效的特征并进行处理成适合模型的输入形式.机器学习中有句经典的话叫做"Garbage in, garbage out",意思是如果输入的数据是垃圾,那么得到的结果也是垃圾.可以看出模型成败的关键并不仅仅取决于模型的选取,还取决于我们是否有根据特定的问题找到了行之有效的输入

搜索引擎系列十:Solr(solrj 、索引API 、 结构化数据导入)

一.SolrJ介绍 1. SolrJ是什么? Solr提供的用于JAVA应用中访问solr服务API的客户端jar.在我们的应用中引入solrj: <dependency> <groupId>org.apache.solr</groupId> <artifactId>solr-solrj</artifactId> <version>7.3.0</version> </dependency> 2. SolrJ的核