说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
LSTM网络是目前更加通用的循环神经网络结构,全称为Long Short-Term Memory,翻译成中文叫作“长‘短记忆’”网络。读的时候,“长”后面要稍作停顿,不要读成“长短”记忆网络,因为那样的话,就不知道记忆到底是长还是短。本质上,它还是短记忆网络,只是用某种方法把“短记忆”尽可能延长了一些。
本项目通过基于PyTorch实现循环神经网络分类模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:
数据详情如下(部分展示):
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据:
关键代码:
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息:
从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下:
4.探索性数据分析
4.1 y变量柱状图
用Matplotlib工具的plot()方法绘制柱状图:
4.2 y=1样本x1变量分布直方图
用Matplotlib工具的hist()方法绘制直方图:
4.3 相关性分析
从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下:
5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:
6.构建循环神经网络分类模型
主要使用LSTM层网络,用于目标分类。
6.1 模型构建
7. 模型评估
7.1 评估指标及结果
评估指标主要包括准确率、查准率、查全率(召回率)、F1分值等等。
通过上表可以看到,模型的准确率为93%,F1分值为0.9271,模型效果良好。
7.2 分类报告
从上图可以看出,分类为0的F1分值为0.93;分类为1的F1分值为0.93。
7.3 混淆矩阵
从上图可以看出,实际为0预测不为0的 有8个样本;实际为1 预测不为1的, 有20个样本。
8.结论与展望
综上所述,本项目基于PyTorch实现循环神经网络分类模型并对模型进行了评估,最终证明了我们提出的模型效果良好。
# 本次机器学习项目实战所需的资料,项目资源如下:
# 项目说明:
# 链接:https://pan.baidu.com/s/1LufUBs4qm5_Jle_S4OdNoA
# 提取码:6z55
更多项目实战,详见机器学习项目实战合集列表:文章来源:https://www.toymoban.com/news/detail-603853.html
机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客文章来源地址https://www.toymoban.com/news/detail-603853.html
到了这里,关于Python基于PyTorch实现循环神经网络分类模型(LSTM分类算法)项目实战的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!