TensorFlow — это гибкая библиотека с открытым исходным кодом для глубокого обучения, изначально написанная командой Google Brain. Это делает создание моделей проще, быстрее и более воспроизводимым.
- Построение модели оттока TensorFlow
- Обучение и прогнозирование
- Сохранение модели и перезагрузка
Импорт данных
import pandas as pd
from sklearn.model_selection import train_test_split
df = pd.read_csv('Churn.csv')
X = pd.get_dummies(df.drop(['Churn', 'Customer ID'], axis=1))
y = df['Churn'].apply(lambda x: 1 if x=='Yes' else 0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2)
get_dummies() используется для обработки данных. Он преобразует категориальные данные в фиктивные или индикаторные переменные.
get_dummies() позволяет легко закодировать ваши категориальные данные.
Импорт зависимостей
from tensorflow.keras.models import Sequential, load_model from tensorflow.keras.layers import Dense from sklearn.metrics import accuracy_score
Построение модели и ее компиляция.
model = Sequential() model.add(Dense(units=32, activation='relu', input_dim=len(X_train.columns))) model.add(Dense(units=64, activation='relu')) model.add(Dense(units=1, activation='sigmoid')) #Compilation model.fit(X_train, y_train, epochs=200, batch_size=32)
Последовательная модель представляет собой линейный набор слоев.
Модели машинного обучения, которые вводят или выводят последовательности данных, называются моделями последовательностей. Текстовые потоки, аудиоклипы, видеоклипы, данные временных рядов и другие типы последовательных данных являются примерами последовательных данных.
Применение моделей последовательности:
- Распознавание речи.
- Классификация настроений.
- Распознавание видеоактивности. И Т. Д…..
Исправлять, прогнозировать и оценивать
(Запустите с большим количеством эпох, чтобы получить лучшую модель точности)
#Fixing model.fit(X_train, y_train, epochs=200, batch_size=32) # Prediction y_hat = model.predict(X_test) y_hat = [0 if val < 0.5 else 1 for val in y_hat
Сохранение модели
model = load_model('tfmodel')
