《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)》 課件8.2 構(gòu)建中草藥識別模型

構(gòu)建中草藥識別模型中草藥識別——神經(jīng)網(wǎng)絡(luò)任務(wù)描述古語有云，對癥下藥。醫(yī)生需正確識別中草藥才能準(zhǔn)確無誤的為患者抓取所需藥材。如果抓取藥材時差之毫厘，那么可能造成謬以千里的結(jié)果，患者的癥狀非但沒有減輕，反而加重，由此可見準(zhǔn)確識別中草藥的重要性。本任務(wù)將使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行中草藥的識別。構(gòu)建中草藥識別模型任務(wù)要求使用sklearn庫建立BP神經(jīng)網(wǎng)絡(luò)模型。構(gòu)建中草藥識別模型BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)什么是BP神經(jīng)網(wǎng)絡(luò)?構(gòu)建中草藥識別模型BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)（BackpropagationNeuralNetwork）。BP神經(jīng)網(wǎng)絡(luò)是一種廣泛應(yīng)用于分類、回歸和聚類等任務(wù)的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)建中草藥識別模型BP神經(jīng)網(wǎng)絡(luò)由一個輸入層、隱藏層和一個輸出層組成。每個層都包含多個神經(jīng)元，每個神經(jīng)元與上一層的所有神經(jīng)元相互連接，并且每個連接都有一個對應(yīng)的權(quán)重。在訓(xùn)練過程中，BP神經(jīng)網(wǎng)絡(luò)使用反向傳播算法來更新每個權(quán)重，以使網(wǎng)絡(luò)的輸出盡可能地接近于真實(shí)值。BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)運(yùn)行基本步驟構(gòu)建中草藥識別模型前向傳播：將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)輸出。1計(jì)算誤差：將網(wǎng)絡(luò)輸出與真實(shí)輸出比較，計(jì)算誤差。2反向傳播誤差：從輸出層開始，將誤差反向傳播回每個神經(jīng)元，計(jì)算每個神經(jīng)元的誤差梯度。3更新權(quán)重：根據(jù)誤差梯度和學(xué)習(xí)率更新每個神經(jīng)元的權(quán)重值。4重復(fù)以上步驟，直到網(wǎng)絡(luò)的誤差滿足要求或達(dá)到最大訓(xùn)練次數(shù)。5BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)構(gòu)建中草藥識別模型優(yōu)點(diǎn)能夠?qū)Ψ蔷€性模式進(jìn)行擬合，并且可以應(yīng)用于多種任務(wù)缺點(diǎn)需要大量的訓(xùn)練數(shù)據(jù)和計(jì)算資源，并且容易過擬合因此，在實(shí)際應(yīng)用中，需要根據(jù)具體任務(wù)選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)和優(yōu)化算法，以提高網(wǎng)絡(luò)的性能和泛化能力。BP神經(jīng)網(wǎng)絡(luò)在Python中，使用sklearn庫MLPClassifier類可以建立BP神經(jīng)網(wǎng)絡(luò)模型其基本使用格式如下。構(gòu)建中草藥識別模型classsklearn.neural_network.MLPClassifier(hidden_layer_sizes=(100,),activation='relu',*,solver='adam’,alpha=0.0001,batch_size='auto’,learning_rate='constant',learning_rate_init=0.001,power_t=0.5,max_iter=200,shuffle=True,random_state=None,tol=0.0001,verbose=False,warm_start=False,momentum=0.9,nesterovs_momentum=True,early_stopping=False,validation_fraction=0.1,beta_1=0.9,beta_2=0.999,epsilon=1e-08,n_iter_no_change=10,max_fun=15000)BP神經(jīng)網(wǎng)絡(luò)MLPClassifier類常用的參數(shù)及其說明如下。構(gòu)建中草藥識別模型參數(shù)名稱說明hidden_layer_sizes接收tuple、length，用于表示隱層的個數(shù)和每個隱層中的神經(jīng)元個數(shù)，默認(rèn)值為100activation接收tanh、relu，用于指定激活函數(shù)類型，默認(rèn)為'relu'solver接收sgd、adam，用于指定正則化的懲罰系數(shù)，默認(rèn)值為adambatch_size接收int，用于指定每次迭代中使用的樣本數(shù)，默認(rèn)值為autolearning_rate_init接收double，用于指定學(xué)習(xí)率的初始值，默認(rèn)值為0.001BP神經(jīng)網(wǎng)絡(luò)花卉識別可以幫助植物學(xué)家、生態(tài)學(xué)家和環(huán)境保護(hù)人士更好地了解和保護(hù)自然生態(tài)系統(tǒng)中的花卉植物。通過準(zhǔn)確識別花卉種類和分布情況，可以對生物多樣性進(jìn)行監(jiān)測和保護(hù)，幫助保護(hù)瀕危物種、保護(hù)區(qū)域和生態(tài)環(huán)境，提升生態(tài)系統(tǒng)多樣性、穩(wěn)定性、持續(xù)性?；ɑ茏R別能夠更好的實(shí)現(xiàn)綠色中國的目標(biāo)，達(dá)成同走綠色發(fā)展之路，同守美麗地球家園。構(gòu)建中草藥識別模型BP神經(jīng)網(wǎng)絡(luò)使用BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行花卉識別。構(gòu)建中草藥識別模型構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型評估模型導(dǎo)入開發(fā)庫構(gòu)建中草藥識別模型使用import和from導(dǎo)入MLPClassifier、confusion_matrix、accuracy_score、train_test_split等開發(fā)類。MLPClassifier類可用于構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。confusion_matrix類可用于求混淆矩陣。accuracy_score類可用于求模型精確度。train_test_split類可用于劃分訓(xùn)練集和測試集。劃分訓(xùn)練集和測試集使用train_test_split類劃分訓(xùn)練集與測試集構(gòu)建中草藥識別模型test_size參數(shù)用于設(shè)置測試集占整個數(shù)據(jù)集比例，這里設(shè)置占比為20%。X_train和Y_train為訓(xùn)練集，X_test和Y_test為測試集。構(gòu)建并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型使用sklearn庫中的MLPClassifier類構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。使用fit(