©2020-2024 ioDraw All rights reserved
二分类问题可能是应用最广泛的机器学习问题，它指的是所有数据的标签就只有两种，正面或者负面。在这个例子中，我们学习根据电影评论的文字内容将其划分为正面或者负面。
数据集介绍：
本节使用IMDB数据集，它包含来自互联网电影数据库（IMDB）的50000条严重两极分化
的评论。数据集被分为用于训练的25000条评论和用于测试的25000条评论，训练集和测试集都包含50%的正面评论和50%的负面评论。
为什么要将训练集和测试集分开？
因为你不应该将训练机器学习模型的同一批数据再用于测试模型！模型在训练数据上的表现很好，并不意味着它在前所未见的数据上也会变现得很好，我们真正关心的模型在新数据上的性能（因为已经知道了训练数据对应的标签，显然不再需要模型来进行预测）。例如，模型最终可能只是记住了训练样本和目标值之间的映射关系，但这对在前所未见的数据上进行预测毫无用处。
第一步：加载数据集
# 第一步：加载数据集 (train_data, train_labels), (test_data, test_labels) =
imdb.load_data(num_words=10000) #
num_word=10000表示仅保留训练数据前10000个最常见的出现的单词。低频单词舍弃，便于数据处理 #
标签都是由0和1组成的数据列表，其中0代表负面，1代表正面 # train_data和test_data都是评论组成的列表，每条评论又是单词组成的列表
第二步：数据预处理
不能将整数序列直接输入神经网络。需要将列表转换为张量。转换方式有一下两种：
（1）填充列表，使其具有相同的长度，再将列表转换成形状为（samples,
word_indices）的整数张量，然后网络第一层使用能处理这种整数张量的层（即Embedding层，以后写到关于Embedding层时再在这里放上链接）。
（2）对列表进行one-hot编码，将其转换为0和1组成的向量。举个例子，序列[3,
5]将会被转换为10000维向量，只有索引为3和5的元素是1，其余都是0。然后网络第一层可以用Dense层，它能够处理浮点数向量数据。
下面用第二种方法将数据向量化：
# 第二步：输入数据,数据编码 def vectorize_sequences(sequences, dimension=10000): results =
np.zeros((len(sequences), dimension)) # 创建一个零矩阵 for i, sequence in
enumerate(sequences): # 自动将列表中的元素按顺序编号 results[i, sequence] = 1 return results
# 将数据向量化 x_train = vectorize_sequences(train_data) x_test =
vectorize_sequences(test_data) # 数据向量化，使其转换为0和1组成的向量 # 标签向量化 y_test =
np.asarray(test_labels).astype('float32') y_train =
np.asarray(train_labels).astype('float32') # 将图像标签数据转换为矩阵形式，把整数变成浮点数
第三步：构建并编译模型
网络使用带有relu激活层的全连接层（Dense）的简单堆叠，最后一层用sigmoid来激活以输出一个0~1范围的概率值
对于这种Dense层的堆叠，需要确定以下两个关键架构：
（1）网络有多少层；
（2）每层有多少个隐藏单元。
下面搭建起来的网络模型的架构为：
（1）网路有两个中间层，每层都有16个隐藏单元；
（2）第三层输出一个标量，预测当前评论的情感。
传入Dense层的参数(16)是该层隐含单元的个数。一个隐藏单元是该层表示空间的一个维度。16个隐藏单元对应的权重矩阵W的形状为（input_dimension,
16）。隐藏单元越多（即更高维的表示空间），网络越能学到更加复杂的表示，但网络的计算代价也变得更大，而且可能会导致学到不好的模式（这种模式会提高训练数据上的性能，但不会提高测试数据上的性能）。
最后需要选择一个损失函数和优化器。面对二分类问题，网络的输出是一个概率值。网络最后一层使用sigmoid激活函数，仅包含一个单元，最好使用binary_crossentropy（二元交叉熵）损失。
# 第三步：构建网络模型 model = models.Sequential() # 线性堆叠 model.add(layers.Dense(16,
activation='relu', input_shape=(10000,))) model.add(layers.Dense(16,
activation='relu')) # 将所有负值归零 model.add(layers.Dense(1, activation='sigmoid'))
# 将任意值压缩到0~1之间 """ model.compile(optimizer='rmsprop',
loss='binary_crossentropy', # 二元交叉熵损失函数 metrics=['acc']) #
自定义优化器和损失函数,自定义需要提前导入相应的部分 """
model.compile(optimizer=optimizers.RMSprop(0.001), # 均方根误差优化器
loss='binary_crossentropy', # 二元交叉熵损失函数 metrics=['acc'])
第四步：留出验证集
# 第四步：留出验证集 x_val = x_train[:10000] # 前面10000个数据 partial_x_train =
x_train[10000:] # 10000到最后一个，剩下的所有 y_val = y_train[:10000] partial_y_train =
y_train[10000:]
第五步：训练模型
注意，调用model.fit()返回了一个History对象，这个对象有一个history成员，它是一个字典，包含训练过程中的所有数据。
# 第五步：训练模型 history = model.fit(partial_x_train, partial_y_train, epochs=20,
batch_size=512, validation_data=(x_val, y_val))
第六步：绘制图像
# 绘制图像 history_dict = history.history # history 包含了训练过程中的所有数组。 #
fit返回了一个对象hisrory，这个对象里包含了history,它是一个字典，包含训练数据中的所有数据。{‘acc':'86%','loss':’‘。。。}
loss_values = history_dict['loss'] # 训练损失 val_loss_values =
history_dict['val_loss'] # 验证损失 epochs = range(1, len(loss_values)+1) #
len(loss_values)表示损失值的个数，训练周期从1到20，range(1,21). plt.plot(epochs, loss_values,
'ro', label='training loss') plt.plot(epochs, val_loss_values, 'r',
label='Validation loss') plt.title('Dense Training and vaditaion loss')
plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 用于给图像加图例 plt.show() #
绘制训练精度和验证精度 plt.clf() # 清空图像 acc = history_dict['acc'] val_acc =
history_dict['val_acc'] plt.plot(epochs, acc, 'go', label='Training Acc') #
'bo'表示蓝色圆点 plt.plot(epochs, val_acc, 'g', label='Validation Acc') # 'b'表示蓝色实线
plt.title('Dense Training and Validation Accuracy') plt.xlabel('Epochs')
plt.ylabel('Accuracy') plt.legend() # 用于给图像加图例 plt.show()
训练损失和验证损失：
训练精度和验证精度：
从这个例子可以学到：
（1）通常要对原始数据进行大量预处理，以便将其转换为张量输入到神经网络中。单词序列可以编码为二进制向量，但也有其他编码方式。
（2）带有relu激活的Dense层堆叠，可以解决很多种问题（包括情感分类），你可能会经常用到这种模型。
（3）对于二分类问题，网络的最后一层应该是只有一个单元并使用sigmoid激活的Dense层；网络输出应该是0~1范围的标量，表示概念值；损失函数应该是binary_crossentropy损失函数。
（4）无论问题是什么，rmsprop优化器通常都是足够好的选择。
（5）随着神经网络在训练数据上的表现越来越好，模型最终会过拟合，并在前所未见的数据上得到越来越差的结果。一定要监控模型在训练集之外的数据集上的性能。