基于BP神经网络的Iris分类预测实战：从数据预处理到模型调优

1次阅读

共计 1917 个字符，预计需要花费 5 分钟才能阅读完成。

Iris 数据集是机器学习领域的经典数据集，包含 150 个样本，每个样本有 4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和 1 个类别标签（Setosa、Versicolor、Virginica）。BP 神经网络是一种多层前馈神经网络，通过误差反向传播算法调整权重和偏置，适用于解决分类和回归问题。

初学者在使用 BP 神经网络进行 Iris 分类时，常遇到以下问题：

数据未标准化，导致模型收敛困难
隐藏层设计不合理，模型性能不佳
学习率设置不当，训练过程不稳定
未使用早停法，导致过拟合
评估指标选择不当，无法全面衡量模型性能

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([Dense(8, activation='relu', input_shape=(4,)),  # 输入层和隐藏层
    Dense(3, activation='softmax')  # 输出层
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

from tensorflow.keras.optimizers import Adam

optimizer = Adam(learning_rate=0.01)
model.compile(optimizer=optimizer,
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(X_train, y_train, 
                    batch_size=16, 
                    epochs=100, 
                    validation_split=0.2)

from tensorflow.keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(monitor='val_loss', patience=5)
history = model.fit(X_train, y_train, 
                    batch_size=16, 
                    epochs=100, 
                    validation_split=0.2,
                    callbacks=[early_stopping])

标准化前划分训练集和测试集
仅使用训练集计算标准化参数

添加 Dropout 层
使用 L2 正则化
早停法

准确率适用于类别平衡的数据
混淆矩阵更能反映模型在各类别上的表现

import matplotlib.pyplot as plt

# 绘制训练和验证的准确率曲线
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'], loc='upper left')
plt.show()

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f'Test accuracy: {accuracy:.2f}')