हे पोस्ट Tensorflow वापरते: कठीण API: फीडबॅक न्यूरल नेटवर्कवर आधारित मधुमेहाच्या वर्गीकरणाचा अंदाज लावण्याच्या समस्येसाठी, ज्याला मल्टीलेयर रिसेप्टर -वापर असेही म्हणतात कागली येथून पिमा इंडियन्स मधुमेह डेटाबेस. Google colab: कोड असलेली नोटबुक GitHub वर उपलब्ध आहे.

बुद्धिमत्ता डेटा विश्लेषण

डेटा सेटमध्ये 8 अंकीय गुणधर्म असतात, त्या प्रत्येकामध्ये कोणतीही मूल्ये नाहीत. डेटाबेसमध्ये 768 नोंदी आहेत, त्यापैकी 500 नकारात्मक परिणामांशी संबंधित आहेत आणि 268 सकारात्मक आहेत.

असे कोणतेही गुणधर्म नाहीत जे एकमेकांशी जोरदारपणे संबंधित आहेत.

मॉडेल इमारत

आम्ही डेटा सेटला शिकण्याच्या भागामध्ये विभागतो, जे सर्व डेटाच्या 80% – चाचणी भाग – 20% बनवते. अ
अनुक्रमिक मॉडेल 6 स्तरांचा समावेश आहे. पहिले आहे: सामान्यीकरण थर तो एक प्रकारचा प्रायोगिक आहे
पूर्व-प्रक्रिया स्तर शून्य -एक मानक विचलनाच्या सरासरी मूल्यासह वितरण करण्यासाठी त्याच्या इनपुटला सक्ती करण्यासाठी वापरले जाते.

normalizer = preprocessing.Normalization(axis=-1)
normalizer.adapt(np.array(X_train))
normalizer.mean.numpy()

मॉडेलमध्ये दोन तीन पूर्णपणे जोडलेले स्तर आहेत, दोन पाच गुणांसह Re ReLu ationक्टिवेशनसह s सिग्मॉइड अॅक्टिवेशन फंक्शनसह एक आउटपुट लेयर. याव्यतिरिक्त, दोन स्तर आहेत जे अति-संलग्नक प्रतिबंधित करतात. ReLu सक्रियकरण स्तर वापरते तो एक सामान्य वजन लिहून देणारा आहे आणि आउटपुट लेयर सामान्य वापरते सामान्य वजन पूर्वनिर्धारित करा.

तो एक सामान्य वजन लिहून देणारा आहे

model = Sequential()
model.add(normalizer)
model.add(Dense(5, input_shape=(X_train.shape[1],),
                activation='relu', kernel_initializer="he_normal"))
model.add(Dropout(0.2))
model.add(Dense(5, activation="relu",
                kernel_initializer="he_normal"))
model.add(Dropout(0.2))
model.add(Dense(1, activation="sigmoid",
                kernel_initializer="glorot_normal"))

मॉडेल वापरते: अॅडम ऑप्टिमायझर, बायनरी क्रॉस և एन्ट्रॉपी लॉस फंक्शन և बायनरी अचूकता एक उपाय म्हणून.

model.compile(Adam(learning_rate=1e-4),
              loss="binary_crossentropy",
              metrics=['binary_accuracy'])

परिणाम:

प्रशिक्षण आणि प्रमाणन नुकसान दोन्ही कमी करण्यासाठी 1e-5 प्रशिक्षण स्तर निवडला गेला आहे. ओव्हरबिल्डिंग टाळण्यासाठी दोन अतिरिक्त स्तर जोडले गेले.

70% पेक्षा अधिक अचूकता प्राप्त झाली. गोंधळ मॅट्रिक्स खाली दर्शविले आहे.

संसाधने:

1.https://en.wikipedia.org/wiki/TensorFlow:

2:https://www.tensorflow.org/

3:https://en.wikipedia.org/wiki/Keras:

4:https://keras.io/