Tensorflow 2.0 教程之结构化数据分类Classify structured data

2023年4月18日 168次阅读 来源: 海萨

1. Know your data and your purpose

数据背景：We will use a smalldataset provided by the Cleveland Clinic Foundation for Heart Disease. There are several hundred rows in the CSV. Each row describe a patient, and each column describes an attribute. We will use this information to predict whether a patient has heart disease, which in this dataset is a binary classification task.

数据源：https://storage.googleapis.com/applied-dl/heart.csv

学习目标：在使用tensorflow 2.0 的前提下，This tutorial demonstrates how to classify structured data (e.g. tabular data in a CSV). We will use Keras to define the model, and feature columns as a bridge to map from columns in a CSV to features used to train the model. This tutorial contains complete code to:

  • Load a CSV file using Pandas.
  • Build an input pipeline to batch and shuffle the rows using tf.data.
  • Map from columns in the CSV to features used to train the model using feature columns.
  • Build, train, and evaluate a model using Keras.

本教程用到的库或者模块有：

tensorflow 、numpy、pandas、sklearn，因此需要导入这些库或者模块又或者模块中的某些类。如果不能正常导入请使用 pip install 安装。

如 ：pip install tensorlfow==2.0.0-alpha0 //安装tensorflow2.0 版本。

pip install numpy、pandas、sklearn //安装numpy、pandas、sklearn。

注意：如果本教程之前安装过tensorflow，且版本不是2.0.0-alpha0，请使用pip uninstall 卸载后老版本再进行安装。另外，keras在tensorflow2.0中已经整合进去，不再是单独的keras库，不能在使用import keras导入，但可以从tensorflow模块里导入，例如from tensorflow import keras。

写在最前面，开始之前别忘记模块加载：

import numpy as np

import pandas as pd

import tensorflow as tf

from tensorflow import feature_column

from tensorflow.keras import layers

from sklearn.model_selection import train_test_split //该方法把数据集分成训练和测试集

2. 数据整理

2.1 数据读取

本教程使用python的pandas库来 加载数据，直接使用dataframe来从数据连接中（https://storage.googleapis.com/applied-dl/heart.csv） 读取数据。

URL = ‘https://storage.googleapis.com/applied-dl/heart.csv‘

dataframe = pd.read_csv(URL)

或者

dataframe = pd.read_csv(‘https://storage.googleapis.com/applied-dl/heart.csv‘)

2.2 数据检查

dataframe.head() //显示前几行数据，检查数据加载是否正确

pandas中的 dataframe.head(n=5)， head默认返回前5行数据，也可以自己行返回想返回的行数，方法是dataframe.head(int n)

2.3 训练集、验证集、 测试集

利用sklearn.model_selection中的train_testsplit方法，将已经加载了CSV数据的dataframe分为train/val/test三个子集。

train_test_split(dataframe, test_size=0.25)，是随机分集函数(shuffle默认为ture)，其test子集默认大小是0.25。

本教程里第一步用了train_test__split将dataframe分为train和test，其中test占比20%，即test_size=0.2。

第二步再用train_test__split将train分为train和val，其中val占比20%，即test_size=0.2。

具体代码如下：

train, test = train_test_split(dataframe, test_size=0.2)
train, val = train_test_split(train, test_size=0.2)
print(len(train), 'train examples')
print(len(val), 'validation examples')
print(len(test), 'test examples')

2.4 构建数据输入管道 （pipeline）

利用tf.data重新封装dataframe类型的数据集train/val/test。 这样我们就可以使用tensorflow 中的featurel columns 在 原始数据集dataframe中的column和未来模型中的column中搭建一个映射。

因此定义数据转换函数，具体如下：

def df_to_dataset(dataframe, shuffle=True, batch_size=32):
  dataframe = dataframe.copy()
  labels = dataframe.pop('target')   //目标列
  ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(dataframe))
  ds = ds.batch(batch_size)
  return ds

开始将数据集train/val/test从dataframe转换成dataset

batch_size = 5 # A small batch sized is used for demonstration purposes
train_ds = df_to_dataset(train, batch_size=batch_size)
val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)

未完成

    原文作者：海萨
    原文地址: https://zhuanlan.zhihu.com/p/62144722
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞