正文

揭秘如何用Python轻松搭建神经网络进行逻辑回归实战攻略

/0 浏览量
1017

在人工智能的领域中，逻辑回归是一种非常基础且实用的机器学习算法，它常用于分类问题。而神经网络作为一种模拟人脑工作原理的计算模型，可以显著提升逻辑回归的性能。本文将带你一步步用Python搭建神经网络，进行逻辑回归的实战。

环境准备

首先，确保你的Python环境中安装了以下库：

  • NumPy：用于数值计算
  • Matplotlib：用于数据可视化
  • scikit-learn：用于机器学习

你可以使用pip进行安装：

pip install numpy matplotlib scikit-learn

数据准备

逻辑回归需要的数据通常为数值型。以下是一个简单的示例数据集，用于分类任务：

import numpy as np

# 生成模拟数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.array([0, 0, 1, 1])

神经网络构建

接下来，我们使用Python的NumPy库来构建一个简单的神经网络。

import numpy as np

# 定义激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义神经网络的输入层、隐藏层和输出层
class NeuralNetwork:
    def __init__(self):
        # 随机生成权重和偏置
        self.weights_input_hidden = np.random.randn(2, 4)
        self.bias_input_hidden = np.random.randn(4, 1)
        self.weights_hidden_output = np.random.randn(4, 1)
        self.bias_hidden_output = np.random.randn(1, 1)

    def train(self, X, y):
        # 前向传播
        hidden_layer_input = np.dot(X, self.weights_input_hidden) + self.bias_input_hidden
        hidden_layer_output = sigmoid(hidden_layer_input)

        # 输出层输入
        output_layer_input = np.dot(hidden_layer_output, self.weights_hidden_output) + self.bias_hidden_output
        output = sigmoid(output_layer_input)

        # 反向传播
        output_error = y - output
        d_output = output_error * output * (1 - output)

        hidden_error = d_output.dot(self.weights_hidden_output.T)
        d_hidden = hidden_error * hidden_layer_output * (1 - hidden_layer_output)

        # 更新权重和偏置
        self.weights_hidden_output += hidden_layer_output.T.dot(d_output)
        self.bias_hidden_output += np.sum(d_output, axis=0, keepdims=True)
        self.weights_input_hidden += X.T.dot(d_hidden)
        self.bias_input_hidden += np.sum(d_hidden, axis=0, keepdims=True)

    def predict(self, X):
        hidden_layer_input = np.dot(X, self.weights_input_hidden) + self.bias_input_hidden
        hidden_layer_output = sigmoid(hidden_layer_input)
        output_layer_input = np.dot(hidden_layer_output, self.weights_hidden_output) + self.bias_hidden_output
        output = sigmoid(output_layer_input)
        return output

训练神经网络

现在，我们可以使用上面构建的神经网络来训练我们的数据集。

# 创建神经网络实例
nn = NeuralNetwork()

# 训练神经网络
for i in range(10000):
    nn.train(X, y)

# 打印预测结果
print(nn.predict([[1, 1]]))  # 应该接近 0
print(nn.predict([[2, 2]]))  # 应该接近 1

结果可视化

为了更好地理解模型的表现，我们可以使用Matplotlib库来可视化训练过程。

import matplotlib.pyplot as plt

# 记录损失值
losses = []

# 训练神经网络并记录损失值
for i in range(10000):
    nn.train(X, y)
    loss = np.mean(np.square(y - nn.predict(X)))
    losses.append(loss)

# 绘制损失曲线
plt.plot(losses)
plt.xlabel('迭代次数')
plt.ylabel('损失值')
plt.title('神经网络训练损失曲线')
plt.show()

通过上述步骤，你已经成功用Python搭建了一个简单的神经网络，并进行了逻辑回归的实战。随着你对神经网络的理解不断深入，你可以尝试更复杂的网络结构和优化算法，以应对更复杂的分类问题。

-- 展开阅读全文 --