如何使用 Tensorflow 来训练和评估 titanic 数据集?
tensorflowserver side programmingprogramming更新于 2025/5/20 2:52:17
可以使用 Tensorflow 的‘train’方法和‘evaluate’方法训练和评估 titanic 数据集。方法。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API，它有助于构建用于处理普通层堆栈的顺序模型，其中每个层都有一个输入张量和一个输出张量。
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，无需配置，可以免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
Estimator 是 TensorFlow 对完整模型的高级表示。它旨在轻松扩展和异步训练。 我们将使用 tf.estimator API 训练逻辑回归模型。该模型用作其他算法的基线。我们使用泰坦尼克号数据集，目的是根据性别、年龄、舱位等特征预测乘客生存情况。
示例
linear_est = tf.estimator.LinearClassifier(feature_columns)
print("The model is being trained")
linear_est.train(train_input_fn, max_steps=100)
print("The model is being evaluated")
result = linear_est.evaluate(eval_input_fn)
clear_output()
print(pd.Series(result))
代码来源 −https://www.tensorflow.org/tutorials/estimator/boosted_trees
输出
accuracy 0.765152 accuracy_baseline 0.625000 auc 0.832844 auc_precision_recall 0.789631 average_loss 0.478908 label/mean 0.375000 loss 0.478908 precision 0.703297 prediction/mean 0.350790 recall 0.646465 global_step 100.000000 dtype: float64
解释
- 模型已初始化。
- 还提到了特征和超参数。
- 在 train_input_fn 的帮助下，将训练数据输入到模型中。
- 使用 train 函数训练模型。
- 使用评估集确定模型性能。
- 使用 dfeval DataFrame 确定性能。
- 通过检查 y_eval 数组中的标签来验证预测。
- 在训练 Boosted Trees 模型之前，先训练一个线性分类器。
- 这已经完成了，即从一个简单的模型开始建立基准。
相关文章
打印
下一节:如何使用 Tensorflow 和 Estimator 定义数据集训练和评估的输入函数? ❯❮ 上一节:如何使用 Tensorflow 和 Estimator 一次性查看所有特征列转换?
