请选择 进入手机版 | 继续访问电脑版

Hello Mat

 找回密码
 立即注册

QQ登录

只需一步,快速开始

查看: 3218|回复: 0

SGD随机梯度下降法分类器

[复制链接]

820

主题

967

帖子

3万

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
30388
发表于 2017-6-2 21:55:00 | 显示全部楼层 |阅读模式
SGD随机梯度下降法分类器:
百度网盘链接:
链接:http://pan.baidu.com/s/1dFw2YFB
具体链接在halcom.cn论坛,联系人QQ:3283892722
该论坛是一个学习交流平台,我会逐一的和大家分享学习。
欢迎大家录制视频,并提交给我,我来设置视频,你可在论坛进行打赏分享。
视频专用播放器:http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1

使用环境:Win7-32bit-Anaconda2-4.3.1-Windows-x86.exe
数据集:http://pan.baidu.com/s/1kV4xwij
代码如下:
  1. # -*- coding: utf-8 -*-
  2. """
  3. Created on Fri Jun 02 21:18:37 2017

  4. @author: ysw
  5. """

  6. # 导入pandas与numpy工具包
  7. import pandas as pd
  8. import numpy as np

  9. # 创建特征列表
  10. column_names = ['Clump Thickness', 'Cell Size', 'Type']
  11. # 使用pandas.read_csv函数从互联网读取指定数据。
  12. data = pd.read_csv(r'.\Breast-Cancer\breast-cancer-train.csv' )
  13. # 将?替换为标准缺失值表示。
  14. data = data.replace(to_replace='?', value=np.nan)
  15. # 丢弃带有缺失值的数据(只要有一个维度有缺失)。
  16. data = data.dropna(how='any')

  17. X_train = np.array( data.ix[:, ['Clump Thickness', 'Cell Size'] ], dtype=np.float64 )
  18. # DataFrame to Series type
  19. y_train = data.ix[:, ['Type'] ].transpose();
  20. y_train = y_train.iloc[0,:];

  21. # 获取测试数据
  22. data = pd.read_csv(r'.\Breast-Cancer\breast-cancer-test.csv' )
  23. # 将?替换为标准缺失值表示。
  24. data = data.replace(to_replace='?', value=np.nan)
  25. # 丢弃带有缺失值的数据(只要有一个维度有缺失)。
  26. data = data.dropna(how='any')

  27. X_test = np.array( data.ix[:, ['Clump Thickness', 'Cell Size'] ], dtype=np.float64 )
  28. y_test = np.array( data.ix[:, ['Type'] ], dtype=np.int64)
  29.                      
  30. # 从sklearn.preprocessing里导入StandardScaler。
  31. from sklearn.preprocessing import StandardScaler
  32. # 标准化数据,保证每个维度的特征数据方差为1,均值为0。使得预测结果不会被某些维度过大的特征值而主导。
  33. ss = StandardScaler()
  34. X_train = ss.fit_transform(X_train)
  35. X_test = ss.transform(X_test)

  36. # 从sklearn.linear_model里导入LogisticRegression与SGDClassifier。
  37. from sklearn.linear_model import SGDClassifier
  38. # 初始化LogisticRegression与SGDClassifier。
  39. sgdc = SGDClassifier()
  40. # 调用LogisticRegression中的fit函数/模块用来训练模型参数。
  41. sgdc.fit(X_train, y_train)
  42. # 使用训练好的模型lr对X_test进行预测,结果储存在变量lr_y_predict中。
  43. sgdc_y_predict = sgdc.predict(X_test)

  44. # 从sklearn.metrics里导入classification_report模块。
  45. from sklearn.metrics import classification_report
  46. # 使用逻辑斯蒂回归模型自带的评分函数score获得模型在测试集上的准确性结果。
  47. print 'Accuracy of SGD Classifier:', sgdc.score(X_test, y_test)
  48. # 利用classification_report模块获得LogisticRegression其他三个指标的结果。
  49. print classification_report(y_test, sgdc_y_predict, target_names=['Benign', 'Malignant'])

  50. # y_train.value_counts()
复制代码

SGD参数估计(数据分类):
(1)读取训练样本和测试样本
(2)归一化数据(防止量纲差异导致的特征信息丢失)
(3)构建一个SGD随机梯度下降分类器
(4)训练样本进行SGD随机梯度下降分类器的训练
(5)代入测试数据进行预测
(6)输出预测结果、打印混淆矩阵信息报表






算法QQ  3283892722
群智能算法链接http://halcom.cn/forum.php?mod=forumdisplay&fid=73
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Python|Opencv|MATLAB|Halcom.cn  

GMT+8, 2020-10-25 09:37 , Processed in 0.158063 second(s), 23 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表