Kerasni tasvirlab bering va nima uchun uni TensorFlow o'rniga ishlatishingiz kerak

Neyron tarmoq qatlamlari
Model birlashganda algoritm to'xtaydi, ya'ni xato minimal mumkin bo'lgan qiymatga yetganda. Oddiy ingliz tilida bu biz
ma'lum bir aniqlik darajasiga ega modelni yaratganimizni anglatadi.
Matematikning aytishicha, biz ushbu m o'lchovli fazodagi har bir nuqtani (chunki m kirish o'zgaruvchisi mavjud) tekislik va
kosmosdagi nuqtalar orasidagi maksimal masofa bilan ajratadigan giperplanni topganimizda, model yaqinlashadi . Ijobiy
natijalarning har biri giperplanning bir tomonida va salbiy natijalarning har biri boshqa tomonda. Boshqacha qilib
aytganda, bu oddiy chiziqli regressiya muammosida LSE (eng kichik kvadratchalar xatosi) ni hisoblashga o'xshaydi, faqat
bu bir nechta o'lchovlarda ishlaydi.
Manba: Vikipediya
Bizda kirish qatlami bor, u erda biz xususiyatlar va teglar matritsasi bilan ta'minlanamiz. Keyin ushbu perseptron
funktsiyalari og'irliklarning dastlabki to'plamini hisoblab chiqadi va istalgan miqdordagi yashirin qatlamlarga o'tkaziladi. Bu
necha marta amalga oshiriladi, siz algoritmlarga o'tadigan parametrlar, yo'qotish va faollashtirish funksiyasi uchun tanlagan
algoritm va siz ruxsat bergan tugunlar soni bilan boshqariladi.
Xato qiymat xatosi = 1 - (model to'g'ri bo'lgan marta soni) / (kuzatishlar soni).
Agar bunday giperplaniya mavjud bo'lmasa, muammoni hal qilishning iloji yo'q. Keyin biz modelni qurish mumkin emas
degan xulosaga kelamiz, chunki o'zgaruvchilar o'rtasida etarli korrelyatsiya mavjud emas.
Esda tutingki, bunday muammoni hal qilishning yondashuvi iterativdir. Neyron tarmoq nuqtai nazaridan buni quyidagi grafikda
ko'rishingiz mumkin.
Neyron tarmoq muammosini hal qilish
Machine Translated by Google

---

Dengiz tug'ilishining korrelyatsiya syujeti
Kod
Ma'lumotlarni tahlil qilishda birinchi qadam chizma tuzish bo'lishi kerak, chunki biz biron bir naqshni aniqlay olamizmi yoki yo'qligini tushunish osonroq.
Keyin vizual tarzda tekshiring:
Biz o'zgaruvchilar o'rtasida qandaydir korrelyatsiya bor-yo'qligini tekshirishdan boshlashimiz mumkin. Shunday qilib, biz
kuchli Seaborn korrelyatsiya syujetidan foydalanamiz. Seaborn - bu matplotlibning kengaytmasi.
Biz bu misol uchun kodni Jupyter daftarida saqladik .
Avval ma'lumotlarni dataframega yuklang:
Yakuniy yechim chiqishda keyinroq chiqadi . Faqat bitta kirish va chiqish qatlami mavjud. Qancha yashirin qatlamlardan
foydalanish kerakligini aniqlashning ilmiy usuli yo'q. Ma'lumot olimi eng aniq echim topilmaguncha har bir qatlamda ishlatiladigan
algoritmlarni va algoritmlarni o'zgartiradi. Shunday qilib, bu sinov va
foydalanish uchun tarmoq.
keras.models import tf sifatida
tensorflow import keras.layers dan pd sifatida ketma-ket
import pandalar import Zich
xato.
ma'lumotlar = pd.read_csv('/home/ubuntu/Downloads/diabetes.csv', ajratuvchi =',')
Machine Translated by Google

---

ma'lumotlar, maksimal va minimal va o'rtacha qiymatlar ro'yxati
Homiladorlik Glyukoza Qon bosimi Teri Qalinligi Insulin \ soni 768.000000
768.000000 768.000000 768.000000 768.000000 oÿrtacha 3.845059 4.845059
15364.5. 8 79.799479 std 3.369578 31.972618 19.355807 15.952218
115.244002 min 0.000000 0.000000 0.000000 0.000000 0.000000000002
99.000000 62.000000 0.000000 0.000000 50% 3.000000
117.000000 72.000000 23.000000 30.500000 0.000000 0.000000
0.000000. 000 32.000000 127.250000 maksimal 17.000000 199.000000
122.000000 99.000000 846.000000
bashorat soni
768,000000 o'rtacha
0,317708 std
0,465889 min
0,000000 25%
0,000000 50%
0,000000 75%
1,000000 maks
1,0000000
Avval ko'rib chiqamiz
data.describe()
BMI Qandli diabet Naslchilik Funksiya Yoshi Natija \ soni
768.000000 768.000000 768.000000 768.000000 oÿrtacha 31.992578
0.471876 33.240885 08.240885 08.379d. 29 11.760232
0.476951 min 0.000000 0.078000 21.000000 0.000000
25% 27.300000 0.243750 24.000000 0.243750
24.000000 0.000000 0.078000. 0 29.000000 0.000000
75% 36.600000 0.626250 41.000000 1.000000 maks
67.100000 2.420000 81.0000000 1000.
Machine Translated by Google

---