任务详解

是机器学习中的一种监督学习问题其目的是将输入数据(特征向量)映射到离散的类别标签。

广泛应用于如文本分类、图像识别、垃圾邮件检测、医学诊断等多种领域。

分类任务

分类任务的目标是通过训练数据学习一个模型使得对于新的输入数据能够预测其所属的类别。

输入数据是模型的自变量通常是特征向量

{x}

是特征的维度每个特征可能是连续值(如温度、年龄)或离散值(如颜色、性别)。

输出是一个类别标签表示每个输入数据点的所属类别对于二分类任务输出标签通常为

0、1、2、3

Classification)输出只有两个类别例如“是”与“否”多分类

(Multiclass

Classification)输出包含多个类别标签适用于每个样本属于多个可能类别中的一个的任务例如“猫”、“狗”、“狮子”、“大象”等多标签分类

(Multilabel

Classification)与传统的单一类别分类不同每个样本可以同时属于多个类别

1.2

在分类任务中数据被分成不同的类别而在回归中目标是根据给定的数据得到一个连续值。

例如识别手写数字的任务属于分类任务所有的手写数字都属于

之间的某个数字而根据不同的输入变量预测房屋价格则属于回归任务在分类任务中模型的目标是找到分隔不同类别的决策边界而在回归任务中模型的目标是逼近一个适合输入输出关系的函数。

分类和回归任务的不同之处如下图所示。

在分类中我们需要找到分隔类别的线(或平面或超平面)。

在回归中目标是找到一条(或一个平面或一个超平面)拟合给定输入与输出关系的线。

逻辑回归

用于确定事件发生的概率。

通常事件表示为分类的因变量。

事件发生的概率使用

sigmoid

b。

在逻辑回归中系数可以使用最大似然估计或随机梯度下降来估计。

如果

Y_i)

lossi1∑p​Yi​log(Y^i​)(1−Yi​)log(1−Y^i​)

逻辑回归用于分类问题。

例如在分析医疗数据时我们可以使用逻辑回归来分类一个人是否患有癌症。

如果输出的分类变量具有两个或多个可以使用多分类逻辑回归。

对于多分类逻辑回归交叉熵损失函数可以改写为

loss\sum_{i1}^p\sum_{j1}^kY_{ij}log\hat

Y_{ij}

是类别总数。

了解了逻辑回归的原理后接下来将其应用于具体实践中。

TensorFlow

为了实现逻辑回归构建一个仅包含一个全连接层的模型。

输出中的每个类别由一个神经元表示由于我们有

sigmoid

tf.keras.datasets.mnist.load_data()(3)

255

test_labels.astype(np.int32)(4)

定义模型模型只有一个具有

activationrelu),Flatten(input_shape(28,

28)),Dense(10,

model.compile(optimizeradam,losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue),metrics[accuracy])

history

model.fit(xtrain_data,ytrain_labels,

epochs50,

的增加训练损失降低的同时验证损失逐渐增加因此模型出现过拟合可以通过添加隐藏层来改善模型性能

plt.plot(history.history[loss],

labelloss)

plt.plot(history.history[val_loss],

labelval_loss)

为了更好地理解结果构建两个实用函数用于可视化手写数字以及模型输出的

predictions

img[i]plt.grid(False)plt.xticks([])plt.yticks([])plt.imshow(img,

cmapplt.cm.binary)predicted_label

predicted_label

({}).format(predicted_label,100*np.max(predictions_array),true_label),colorcolor)def

plot_value_array(i,

true_label[i]plt.grid(False)plt.xticks(range(10))plt.yticks([])thisplot

plt.bar(range(10),

np.argmax(predictions_array)thisplot[predicted_label].set_color(red)thisplot[true_label].set_color(blue)(8)

绘制预测结果

plt.show()左侧的图像是手写数字图像图像下方显示了预测的标签、预测的置信度以及真实标签。

右侧的图像显示了

(9)

K.Sequential([Flatten(input_shape(28,

28)),Dense(128,

better_model.summary()better_model.compile(optimizeradam,losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue),metrics[accuracy])history

better_model.fit(xtrain_data,ytrain_labels,

epochs10,

validation_split0.2)plt.plot(history.history[loss],

labelloss)

plt.plot(history.history[val_loss],

labelval_loss)

better_model.predict(test_data)

plt.subplot(1,2,1)

plt.show()我们可以尝试添加更多隐藏层或者修改隐藏层中神经元的数量或者修改优化器以更好地理解这些参数对模型性能的影响。

分类任务是机器学习中最常见的任务之一广泛应用于各个领域。

成功的分类任务不仅需要选择合适的算法还需要对数据进行深入的预处理和特征工程。

在本节中我们首先介绍了分类任务及其与回归任务的区别然后介绍了用于分类任务的逻辑回归技术并使用

TensorFlow

TensorFlow深度学习实战1——神经网络与模型训练过程详解

TensorFlow深度学习实战2——使用TensorFlow构建神经网络

TensorFlow深度学习实战3——深度学习中常用激活函数详解

TensorFlow深度学习实战5——神经网络性能优化技术详解