学生の最終成績の深さを予測するためのニューラルネットワークの応用
その他
2019-07-22 10:34:35
訪問数: null
0はじめに
- 執筆の目的:ちょうどDNNの使い方を学びます
- 基本的な考え方:
- まず、生徒の成績(通常の結果X、最終グレードY:CSV形式)がロードされます。
- 次に、パフォーマンス・データの標準化。(PS:ここでの結果は、記事がDNNを学ぶことです[0〜100]の間で持っているので、このステップは省略されていませんが)
- その後、通常最終的な等級は、訓練データとテストデータのさらなる分割(例えば20%のような割合)がY、Xを生じます。PS:テストデータは、テスト列のパフォーマンスをモデル化するために使用します
- 次に、DNNモデルを作成します。パラメータを設定するために。
- その後、トレーニングモデル(フィット関数)。model1.fit(x_train、y_train)
- 次に、モデルの性能を評価。テストセットを使用してデータの評価には、トレーニングデータセットを使用することができます。パフォーマンスが良くない場合は、チューニングパラメータ(四ステップ)
- 最後に、あなたは予測の終わりを予測するために結果として得られるモデルを使用することができます。
- 実験環境
- マックOSX
- パイソン2
- パッケージに適用される(インストールし何欠けているものがたくさん、(多くの)ミスは、彼が百度になると、Googleは、等を解決することができ、私は良い仕事をするために1日の時間が費やされています)
図1に示すように、データをロードします
2、データの標準化
3、訓練および試験サンプルにデータを分割
図4は、DNNモデルを設定します
- パラメータ設定ステップ
- DNNは、最初に各演算を設定された第1の中間層の各々が設けられ、最終的な出力層が設けられています。
- 隠された層。設定されたパラメータ:活性化関数(シグモイド、ReLU:整流器)、単位演算ユニットの数
- 出力層。層(「線形」)
- 学習率:learning_rate = 0.02
- random_rate = 2019:同じを再生するためのデータ
- n_iter = 10:モデルは、反復の最大数可能
5、トレーナー
6、評価モデル
7、アプリケーションモデル
付録:完全な実験コード
転載: www.cnblogs.com/juking/p/11223699.html