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

binary_crossentropy- ni tanlaymiz , chunki bizning yorliq ma'lumotlarimiz ikkilik (1) diabetga chalingan
va (0) diabetik emas. optimizator sgd, Stokastik Gradient Descent optimallashtiruvchi funksiyasidan
foydalanamiz . Bu yo'qotish funktsiyasini imkon qadar tezroq kamaytirish uchun mo'ljallangan algoritm.
Boshqalar ham bor. epochmodelni necha marta ishga tushirishni bildiradi. Bu iterativ jarayon ekanligini unutmang.
Siz qo'shimcha davrlarni qo'shishingiz mumkin, ammo aniqlik unchalik o'zgarmasligi mumkin. Siz shunchaki
harakat qilib ko'rishingiz kerak.
kod:
model = Sequential()
Sigmoid logistik funktsiyadan foydalanadi, 1 / (1 + e**z) bu erda z = f(x) = ((wx) + b).
input_shapewe faqat birinchi qavatdagi kirish shaklini (o'lchamlarini) berishimiz kerak. Bu (8,) ga teng,
chunki u 8 ta xususiyatning vektori. Boshqacha aytganda, u 8 x 1.
Qaysi faollashtirish funksiyasini tanlash qoidasi sinov va xatodir. Turli xillarini tanlang va qaysi biri eng aniq
bashorat qilishini ko'ring. Boshqalar ham bor: Sigmoid, tanh, Softmax, ReLU va Leaky ReLU. Ba'zilari ikkilik
chiqishlarga emas, balki bir nechta chiqishlarga ko'proq mos keladi.
Beyond Data Science-dan olingan ushbu grafik egri chiziq sifatida chizilgan har bir funktsiyani ko'rsatadi.
model.add(Zich(8, faollashtirish='relu', input_shape=(8,)))
Denseto ((wx) + b) ustida faollashtirish funksiyasini qo'llash. Zich funksiyadagi birinchi argument
yashirin birliklar soni bo'lib , modelning aniqligini oshirish uchun sozlashingiz mumkin bo'lgan
parametrdir. Yashirin birliklar, xuddi yashirin qatlamlar soni kabi, tushunish yoki tushuntirish oson
bo'lmagan murakkab mavzu, lekin biz uni xavfsiz tarzda yoritib berishimiz mumkin. (Ushbu ikki mavzuning
murakkabligi ko'pchilikni neyron tarmoqlar bilan ishlash san'at deb aytishga majbur qiladi .
Matematik bu qat'iylikning etishmasligini masxara qiladi.)
Machine Translated by Google

---

Shunday qilib, bizning bashoratli modelimiz 72% aniq.
1/4 davr
514/514 - 2 s 3 ms/qadam - yo'qotish: 0,6016 - hisob: 0,6790 2/4 davr 514/514 -
1 s 1 ms/
qadam - yo'qotish: 0,5118 - hisob: 0,7588 511 ms/s 511 ms/s /qadam - yo'qotish:
0,4755 -
hisob: 0,7782 Epoch 4/4 514/514 - 1s 1ms/step - yo'qotish: 0,4597 - hisob: 0,7802
Bu shunday ko'rinadi:
Agar siz
ma'lumot lageridagi muhokamalarni
o'qisangiz Boshqa tahlilchilar boshqa usullarni qo'llash orqali biroz
yaxshiroq natijalarga erishganini ko'rishingiz mumkin. Ammo ortiqcha moslashish xavfini unutmang.
Ba'zi ma'lumotlarni chop etish uchun model.summary() dan foydalanishingiz mumkin .
,
model.compile(loss='binary_crossentropy', optimizer='sgd',
metrics=) model.fit(X_train,
y_train,epochs=4, batch_size=1, batafsil=1)
Bu erda biz eslatib o'tgan har bir qatlam uchun og'irliklar.