这里码一下如何使用K折交叉验证来评估模型。
KerasClassifier和KerasRegressor类使用参数build_fn,指定用来创建模型的函数的名称。因此这里必须定义一个函数,并通过函数来定义深度学习模型,编译并返回它。这里便是定义了create_model()函数。
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from sklearn.model_selection import cross_val_score
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import StratifiedKFold # K折叠
#构建模型
def create_model():
#构建模型
model = Sequential()
model.add(Dense(units=12, input_dim=8, activation='relu'))
model.add(Dense(units=8, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))
#编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
seed = 7 #设置随机种子
np.random.seed(seed)
#导入数据
dataset = np.loadtxt(r'F:\Python\pycharm\keras_deeplearning\datasets\PimaIndiansdiabetes.csv', delimiter=',', skiprows=1)
#分割输入变量x和输出变量Y
x = dataset[:, 0:8]
Y = dataset[:, 8]
#创建模型,,迭代——参数为(模型,时期,批处理大小,verbose=0作用:关闭模型的fit()和evaluate()的详细输出)
model = KerasClassifier(build_fn=create_model, epochs=150, batch_size=10, verbose=0)
#10折交叉验证
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x, Y, cv=kfold)
print(results.mean())
执行代码后得到10折交叉验证的准确度均值:
0.6926179105595456