Пошаговое руководство по созданию вашей первой нейронной сети
Наш план:
- Импортировать необходимые библиотеки
- Наблюдайте за фоном данных
- Выполнить предварительную обработку данных
- Разделите данные на наборы для обучения и тестирования
- Построить ИНС
- Обучить ИНС
- Протестируйте ИНС
- Посмотрите на показатель точности
Итак, давайте сделаем это сейчас!
1. Базовый импорт
Итак, в основном нам нужно импортировать NumPy для работы с массивом, Pandas для работы с фреймами данных, Matplotlib для визуализации и TensorFlow для построения и искусственной нейронной сети.
2. Фон данных
Во-первых, давайте посмотрим на наши данные. У нас есть 10000 наблюдений за случайными клиентами в банке за их активностью за определенный период времени. Фрейм данных включает в себя различные характеристики активности клиента и того, уходит ли клиент из банка или нет.
И теперь наша цель - построить нейронную сеть, которая сможет предсказать вероятность того, выйдет ли клиент из банка или нет.
3. Предварительная обработка данных
Наш первый шаг — создать переменную входных характеристик как X и желаемую выходную переменную как y.
Второй шаг — работа с категориальными данными с использованием различных алгоритмов кодирования.
4. Разделение данных
Теперь мы собираемся разделить данные на обучающую часть и тестовую часть, чтобы позже проверить точность нашей модели.
5. Создайте ИНС, используя библиотеку Python TensorFlow.
Здесь мы собираемся создать первую ИНС. После этого мы должны добавить скрытые слои, входной и выходной слои, а также указать функцию активации для обоих типов слоев: скрытого и выходного. В вашем случае исправленная функция линейной активации, используемая в скрытых слоях, и сигмовидная функция, используемая в выходном слое.
6. Обучите ИНС, используя наши данные об обучении, созданные ранее.
Итак, здесь мы подаем данные о поезде в модель и указываем количество тренировочных кругов — 100. Это означает, что нейронная сеть будет 100 раз пытаться минимизировать потерянную функцию, адаптируя веса.
7. Протестируйте ИНС, используя наши тестовые данные, созданные ранее.
Тестирование нейронной сети на реальных данных — очень важный шаг. Здесь мы пытаемся предсказать вероятность ухода клиента из банка и сравниваем фактические результаты с прогнозируемыми.
8. И, наконец, посмотрите на нашу основную метрику нашей модели — точность
И, наконец, давайте посмотрим, какой точности мы можем ожидать от искусственной нейронной сети. Это почти 87% точности!
В заключение я хочу сказать, что это довольно простой проект, просто чтобы проиллюстрировать мощь алгоритмов глубокого обучения. В этом нет никакой магии, только математика, программирование и огромное количество данных.
