閱讀全文：http://tecdat.cn/?p=8522

最近我們被客戶要求撰寫(xiě)關(guān)于神經(jīng)網(wǎng)絡(luò)的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

分類問(wèn)題屬于機(jī)器學(xué)習(xí)問(wèn)題的類別，其中給定一組特征，任務(wù)是預(yù)測(cè)離散值。分類問(wèn)題的一些常見(jiàn)示例是，預(yù)測(cè)腫瘤是否為癌癥，或者學(xué)生是否可能通過(guò)考試

在本文中，鑒于銀行客戶的某些特征，我們將預(yù)測(cè)客戶在6個(gè)月后是否可能離開(kāi)銀行。客戶離開(kāi)組織的現(xiàn)象也稱為客戶流失。因此，我們的任務(wù)是根據(jù)各種客戶特征預(yù)測(cè)客戶流失。

$ pip?install?pytorch

數(shù)據(jù)集

讓我們將所需的庫(kù)和數(shù)據(jù)集導(dǎo)入到我們的Python應(yīng)用程序中：

import torchimport torch.nn as nnimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns %matplotlib inline

我們可以使用pandas庫(kù)的read_csv()方法來(lái)導(dǎo)入包含我們的數(shù)據(jù)集的CSV文件。

dataset = pd.read_csv(r'E:Datasetscustomer_data.csv')

讓我們輸出數(shù)據(jù)集 ：

dataset.shape

輸出：

(10000,?14)

輸出顯示該數(shù)據(jù)集具有1萬(wàn)條記錄和14列。我們可以使用head()數(shù)據(jù)框的方法來(lái)輸出數(shù)據(jù)集的前五行。

dataset.head()

輸出：

您可以在我們的數(shù)據(jù)集中看到14列。根據(jù)前13列，我們的任務(wù)是預(yù)測(cè)第14列的值，即Exited。

探索性數(shù)據(jù)分析

讓我們對(duì)數(shù)據(jù)集進(jìn)行一些探索性數(shù)據(jù)分析。我們將首先預(yù)測(cè)6個(gè)月后實(shí)際離開(kāi)銀行并使用餅圖進(jìn)行可視化的客戶比例。讓我們首先增加圖形的默認(rèn)繪圖大?。?/p>

fig_size = plt.rcParams["figure.figsize"]fig_size[0] = 10fig_size[1] = 8plt.rcParams["figure.figsize"] = fig_size

以下腳本繪制該Exited列的餅圖。

dataset.Exited.value_counts().plot(kind='pie',?autopct='%1.0f%%', colors=['skyblue',?'orange'], explode=(0.05, 0.05))

輸出：

輸出顯示，在我們的數(shù)據(jù)集中，有20％的客戶離開(kāi)了銀行。這里1代表客戶離開(kāi)銀行的情況，0代表客戶沒(méi)有離開(kāi)銀行的情況。讓我們繪制數(shù)據(jù)集中所有地理位置的客戶數(shù)量：

輸出顯示，幾乎一半的客戶來(lái)自法國(guó)，而西班牙和德國(guó)的客戶比例分別為25％。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

用R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例

左右滑動(dòng)查看更多

01

02

03

04

現(xiàn)在，讓我們繪制來(lái)自每個(gè)唯一地理位置的客戶數(shù)量以及客戶流失信息。我們可以使用庫(kù)中的countplot()函數(shù)seaborn來(lái)執(zhí)行此操作。

輸出顯示，盡管法國(guó)客戶總數(shù)是西班牙和德國(guó)客戶總數(shù)的兩倍，但法國(guó)和德國(guó)客戶離開(kāi)銀行的客戶比例是相同的。同樣，德國(guó)和西班牙客戶的總數(shù)相同，但是離開(kāi)銀行的德國(guó)客戶數(shù)量是西班牙客戶的兩倍，這表明德國(guó)客戶在6個(gè)月后離開(kāi)銀行的可能性更大。

數(shù)據(jù)預(yù)處理

在訓(xùn)練PyTorch模型之前，我們需要預(yù)處理數(shù)據(jù)。如果查看數(shù)據(jù)集，您將看到它具有兩種類型的列：數(shù)值列和分類列。數(shù)字列包含數(shù)字信息。CreditScore，Balance，Age等。類似地，Geography和Gender是分類列，因?yàn)樗鼈兒蟹诸愋畔?，如客戶的位置和性別。有幾列可以視為數(shù)字列和類別列。例如，該HasCrCard列的值可以為1或0。但是，那HasCrCard列包含有關(guān)客戶是否擁有信用卡的信息。

讓我們?cè)俅屋敵鰯?shù)據(jù)集中的所有列，并找出哪些列可以視為數(shù)字列，哪些列應(yīng)該視為類別列。columns數(shù)據(jù)框的屬性顯示所有列名稱：

Index(['RowNumber',?'CustomerId',?'Surname',?'CreditScore',?'Geography',?'Gender',?'Age',?'Tenure',?'Balance',?'NumOfProducts',?'HasCrCard',?'IsActiveMember',?'EstimatedSalary',?'Exited'], dtype='object')

從我們的數(shù)據(jù)列，我們將不使用的RowNumber，CustomerId以及Surname列，因?yàn)檫@些列的值是完全隨機(jī)的，并與輸出無(wú)關(guān)。例如，客戶的姓氏對(duì)客戶是否離開(kāi)銀行沒(méi)有影響。其中列的其余部分，Geography，Gender，HasCrCard，和IsActiveMember列可以被視為類別列。讓我們創(chuàng)建這些列的列表：除該列外，其余所有列均可視為數(shù)字列。

numerical_columns?= ['CreditScore',?'Age',?'Tenure',?'Balance',?'NumOfProducts',?'EstimatedSalary']

最后，輸出（Exited列中的值）存儲(chǔ)在outputs變量中。

我們已經(jīng)創(chuàng)建了分類，數(shù)字和輸出列的列表。但是，目前，分類列的類型不是分類的。您可以使用以下腳本檢查數(shù)據(jù)集中所有列的類型：
輸出：

RowNumber ? ? ? ? ? ?int64CustomerId ? ? ? ? ? int64Surname ? ? ? ? ? ? object CreditScore ? ? ? ? ?int64Geography ? ? ? ? ? object Gender ? ? ? ? ? ? ?object Age ? ? ? ? ? ? ? ? ?int64Tenure ? ? ? ? ? ? ? int64Balance ? ? ? ? ? ?float64NumOfProducts ? ? ? ?int64HasCrCard ? ? ? ? ? ?int64IsActiveMember ? ? ? int64EstimatedSalary ? ?float64Exited ? ? ? ? ? ? ? int64dtype: object

您可以看到Geography和Gender列的類型是object，HasCrCard和IsActive列的類型是int64。我們需要將分類列的類型轉(zhuǎn)換為category。我們可以使用astype()函數(shù)來(lái)做到這一點(diǎn)，

現(xiàn)在，如果再次繪制數(shù)據(jù)集中各列的類型，您將看到以下結(jié)果：

輸出量

RowNumber ? ? ? ? ? ? int64CustomerId ? ? ? ? ? ?int64Surname ? ? ? ? ? ? ?object CreditScore ? ? ? ? ? int64Geography ? ? ? ? ?category Gender ? ? ? ? ? ? category Age ? ? ? ? ? ? ? ? ? int64Tenure ? ? ? ? ? ? ? ?int64Balance ? ? ? ? ? ? float64NumOfProducts ? ? ? ? int64HasCrCard ? ? ? ? ?category IsActiveMember ? ? category EstimatedSalary ? ? float64Exited ? ? ? ? ? ? ? ?int64dtype: object

現(xiàn)在讓我們查看Geography列中的所有類別：

Index(['France',?'Germany',?'Spain'], dtype='object')

當(dāng)您將列的數(shù)據(jù)類型更改為類別時(shí)，該列中的每個(gè)類別都會(huì)分配一個(gè)唯一的代碼。例如，讓我們繪制列的前五行，Geography并輸出前五行的代碼值：

輸出：

0 ? ?France1 ? ? Spain2 ? ?France3 ? ?France4 ? ? SpainName: Geography, dtype: category Categories (3, object): [France, Germany, Spain]

以下腳本在該列的前五行中繪制了值的代碼Geography：

輸出：

0 ? ?01 ? ?22 ? ?03 ? ?04 ? ?2dtype: int8

輸出顯示法國(guó)已編碼為0，西班牙已編碼為2。

將分類列與數(shù)字列分開(kāi)的基本目的是，可以將數(shù)字列中的值直接輸入到神經(jīng)網(wǎng)絡(luò)中。但是，必須首先將類別列的值轉(zhuǎn)換為數(shù)字類型。分類列中的值的編碼部分地解決了分類列的數(shù)值轉(zhuǎn)換的任務(wù)。

由于我們將使用PyTorch進(jìn)行模型訓(xùn)練，因此需要將分類列和數(shù)值列轉(zhuǎn)換為張量。首先讓我們將分類列轉(zhuǎn)換為張量。在PyTorch中，可以通過(guò)numpy數(shù)組創(chuàng)建張量。我們將首先將四個(gè)分類列中的數(shù)據(jù)轉(zhuǎn)換為numpy數(shù)組，然后將所有列水平堆疊，如以下腳本所示：

geo = dataset['Geography'].cat.codes.values ...

上面的腳本輸出分類列中前十條記錄。輸出如下：輸出：

array([[0, 0, 1, 1], ? ? ? [2, 0, 0, 1], ? ? ? [0, 0, 1, 0], ? ? ? [0, 0, 0, 0], ? ? ? [2, 0, 1, 1], ? ? ? [2, 1, 1, 0], ? ? ? [0, 1, 1, 1], ? ? ? [1, 0, 1, 0], ? ? ? [0, 1, 0, 1], ? ? ? [0, 1, 1, 1]], dtype=int8)

現(xiàn)在要從上述numpy數(shù)組創(chuàng)建張量，您只需將數(shù)組傳遞給模塊的tensor類torch。

輸出：

tensor([[0, 0, 1, 1], ? ? ? ?[2, 0, 0, 1], ? ? ? ?[0, 0, 1, 0], ? ? ? ?[0, 0, 0, 0], ? ? ? ?[2, 0, 1, 1], ? ? ? ?[2, 1, 1, 0], ? ? ? ?[0, 1, 1, 1], ? ? ? ?[1, 0, 1, 0], ? ? ? ?[0, 1, 0, 1], ? ? ? ?[0, 1, 1, 1]])

在輸出中，您可以看到類別數(shù)據(jù)的numpy數(shù)組現(xiàn)在已轉(zhuǎn)換為tensor對(duì)象。同樣，我們可以將數(shù)值列轉(zhuǎn)換為張量：

numerical_data = np.stack([dataset[col].values for col in numerical_columns], 1) ...

輸出：

tensor([[6.1900e+02, 4.2000e+01, 2.0000e+00, 0.0000e+00, 1.0000e+00, 1.0135e+05], ? ? ? ?[6.0800e+02, 4.1000e+01, 1.0000e+00, 8.3808e+04, 1.0000e+00, 1.1254e+05], ? ? ? ?[5.0200e+02, 4.2000e+01, 8.0000e+00, 1.5966e+05, 3.0000e+00, 1.1393e+05], ? ? ? ?[6.9900e+02, 3.9000e+01, 1.0000e+00, 0.0000e+00, 2.0000e+00, 9.3827e+04], ? ? ? ?[8.5000e+02, 4.3000e+01, 2.0000e+00, 1.2551e+05, 1.0000e+00, 7.9084e+04]])

在輸出中，您可以看到前五行，其中包含我們數(shù)據(jù)集中六個(gè)數(shù)字列的值。最后一步是將輸出的numpy數(shù)組轉(zhuǎn)換為tensor對(duì)象。輸出：

tensor([1,?0,?1,?0,?0])

現(xiàn)在，讓我們繪制分類數(shù)據(jù)，數(shù)值數(shù)據(jù)和相應(yīng)輸出的形狀：?輸出：

torch.Size([10000, 4]) torch.Size([10000, 6]) torch.Size([10000])

在訓(xùn)練模型之前，有一個(gè)非常重要的步驟。我們將分類列轉(zhuǎn)換為數(shù)值，其中唯一值由單個(gè)整數(shù)表示。例如，在該Geography列中，我們看到法國(guó)用0表示，德國(guó)用1表示。我們可以使用這些值來(lái)訓(xùn)練我們的模型。但是，更好的方法是以N維向量的形式表示分類列中的值，而不是單個(gè)整數(shù)。

我們需要為所有分類列定義矢量大小。關(guān)于維數(shù)沒(méi)有嚴(yán)格的規(guī)定。定義列的嵌入大小的一個(gè)好的經(jīng)驗(yàn)法則是將列中唯一值的數(shù)量除以2（但不超過(guò)50）。例如，對(duì)于該Geography列，唯一值的數(shù)量為3。該Geography列的相應(yīng)嵌入大小將為3/2 = 1.5 = 2（四舍五入）。以下腳本創(chuàng)建一個(gè)元組，其中包含所有類別列的唯一值數(shù)量和維度大?。?/p>

categorical_column_sizes = [len(dataset[column].cat.categories) for column in categorical_columns] ...

輸出：

[(3,?2), (2,?1), (2,?1), (2,?1)]

使用訓(xùn)練數(shù)據(jù)對(duì)監(jiān)督型深度學(xué)習(xí)模型（例如我們?cè)诒疚闹虚_(kāi)發(fā)的模型）進(jìn)行訓(xùn)練，并在測(cè)試數(shù)據(jù)集上評(píng)估模型的性能。因此，我們需要將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，如以下腳本所示：

total_records = 10000....

我們的數(shù)據(jù)集中有1萬(wàn)條記錄，其中80％的記錄（即8000條記錄）將用于訓(xùn)練模型，而其余20％的記錄將用于評(píng)估模型的性能。注意，在上面的腳本中，分類和數(shù)字?jǐn)?shù)據(jù)以及輸出已分為訓(xùn)練集和測(cè)試集。為了驗(yàn)證我們已正確地將數(shù)據(jù)分為訓(xùn)練和測(cè)試集：

print(len(categorical_train_data))print(len(numerical_train_data))print(len(train_outputs))print(len(categorical_test_data))print(len(numerical_test_data))print(len(test_outputs))

輸出：

800080008000200020002000

創(chuàng)建預(yù)測(cè)模型

我們將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，現(xiàn)在是時(shí)候定義訓(xùn)練模型了。為此，我們可以定義一個(gè)名為的類Model，該類將用于訓(xùn)練模型?？聪旅娴哪_本：

class Model(nn.Module): ? ?def __init__(self, embedding_size, num_numerical_cols, output_size, layers, p=0.4): ? ? ? ?super().__init__() ? ? ? ?self.all_embeddings = nn.ModuleList([nn.Embedding(ni, nf) for ni, nf in embedding_size]) ? ? ? ?self.embedding_dropout = nn.Dropout(p) ? ? ? ?self.batch_norm_num = nn.BatchNorm1d(num_numerical_cols) ? ? ? ?return x

接下來(lái)，要查找輸入層的大小，將類別列和數(shù)字列的數(shù)量加在一起并存儲(chǔ)在input_size變量中。之后，for循環(huán)迭代，并將相應(yīng)的層添加到all_layers列表中。添加的層是：

• Linear：用于計(jì)算輸入和權(quán)重矩陣之間的點(diǎn)積

• ReLu：用作激活函數(shù)

• BatchNorm1d：用于對(duì)數(shù)字列應(yīng)用批量歸一化

• Dropout：用于避免過(guò)擬合

在后for循環(huán)中，輸出層被附加到的層的列表。由于我們希望神經(jīng)網(wǎng)絡(luò)中的所有層都按順序執(zhí)行，因此將層列表傳遞給nn.Sequential該類。

接下來(lái)，在該forward方法中，將類別列和數(shù)字列都作為輸入傳遞。類別列的嵌入在以下幾行中進(jìn)行。

• 
  

• 
  

embeddings?=?[]

數(shù)字列的批量歸一化可通過(guò)以下腳本應(yīng)用：

``

• 
  

x_numerical = self.batch_norm_num(x_numerical)

最后，將嵌入的分類列x和數(shù)字列x_numerical連接在一起，并傳遞給sequence?layers。

訓(xùn)練模型

要訓(xùn)練模型，首先我們必須創(chuàng)建Model在上一節(jié)中定義的類的對(duì)象。

您可以看到我們傳遞了分類列的嵌入大小，數(shù)字列的數(shù)量，輸出大?。ㄔ谖覀兊睦又袨?）以及隱藏層中的神經(jīng)元。您可以看到我們有三個(gè)分別具有200、100和50個(gè)神經(jīng)元的隱藏層。
讓我們輸出模型并查看：

print(model)

輸出：

Model( ?(all_embeddings): ModuleList( ... ?) )

您可以看到，在第一線性層中，in_features變量的值為11，因?yàn)槲覀冇?個(gè)數(shù)字列，并且類別列的嵌入維數(shù)之和為5，因此6 + 5 = 11。out_features的值為2，因?yàn)槲覀冎挥?個(gè)可能的輸出。

在實(shí)際訓(xùn)練模型之前，我們需要定義損失函數(shù)和將用于訓(xùn)練模型的優(yōu)化器。以下腳本定義了損失函數(shù)和優(yōu)化器：

loss_function?= nn.CrossEntropyLoss()

現(xiàn)在，我們訓(xùn)練模型。以下腳本訓(xùn)練模型：

epochs = 300aggregated_losses = []for i in range(epochs):print(f'epoch: {i:3} loss: {single_loss.item():10.10f}')

神經(jīng)元元數(shù)設(shè)置為300，這意味著要訓(xùn)練模型，完整的數(shù)據(jù)集將使用300次。for為每次迭代期間循環(huán)的執(zhí)行方式，損失是使用損耗函數(shù)來(lái)計(jì)算。每次迭代過(guò)程中的損失將添加到aggregated_loss列表中。

上面腳本的輸出如下：

epoch:?1?loss:?0.71847951epoch: 26 loss: 0.57145703epoch: 51 loss: 0.48110831epoch: 76 loss: 0.42529839epoch: 101 loss: 0.39972275epoch: 126 loss: 0.37837571epoch: 151 loss: 0.37133673epoch: 176 loss: 0.36773482epoch: 201 loss: 0.36305946epoch: 226 loss: 0.36079505epoch: 251 loss: 0.35350436epoch: 276 loss: 0.35540250epoch:?300?loss:?0.3465710580

以下腳本繪制了各個(gè)時(shí)期的損失函數(shù)：

• 
  

• 
  

• 
  

plt.plot(range(epochs),?aggregated_losses)plt.ylabel('Loss')plt.xlabel('epoch');`

輸出：

輸出顯示，最初損失函數(shù)迅速降低。在250個(gè)步長(zhǎng)之后，損失幾乎沒(méi)有減少。

做出預(yù)測(cè)

最后一步是對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)。為此，我們只需要將categorical_test_data和numerical_test_data傳遞給model該類。然后可以將返回的值與實(shí)際測(cè)試輸出值進(jìn)行比較。以下腳本對(duì)測(cè)試類進(jìn)行預(yù)測(cè)，并輸出測(cè)試數(shù)據(jù)的交叉熵?fù)p失。

with torch.no_grad():

輸出：

Loss:?0.36855841

測(cè)試集上的損失為0.3685，比訓(xùn)練集上獲得的0.3465略多，這表明我們的模型有些過(guò)擬合。由于我們指定輸出層將包含2個(gè)神經(jīng)元，因此每個(gè)預(yù)測(cè)將包含2個(gè)值。例如，前5個(gè)預(yù)測(cè)值如下所示：

print(y_val[:5])

輸出：

tensor([[ 1.2045, -1.3857], ? ? ? ?[ 1.3911, -1.5957], ? ? ? ?[ 1.2781, -1.3598], ? ? ? ?[ 0.6261, -0.5429], ? ? ? ?[ 2.5430, -1.9991]])

這種預(yù)測(cè)的思想是，如果實(shí)際輸出為0，則索引0處的值應(yīng)大于索引1處的值，反之亦然。我們可以使用以下腳本檢索列表中最大值的索引：

y_val?= np.argmax(y_val, axis=1)

輸出：現(xiàn)在讓我們?cè)俅屋敵?code>y_val列表的前五個(gè)值：

print(y_val[:5])

輸出：

tensor([0,?0,?0,?0,?0])

由于在最初預(yù)測(cè)的輸出列表中，對(duì)于前五個(gè)記錄，零索引處的值大于第一索引處的值，因此可以在已處理輸出的前五行中看到0。

最后，我們可以使用從sklearn.metrics模塊confusion_matrix，accuracy_score以及classification_report類找到了準(zhǔn)確度，精密度和召回值，混淆矩陣。

`from sklearn.metrics import classification_report, confusion_matrix, accuracy_scoreprint(confusion_matrix(test_outputs,y_val))print(classification_report(test_outputs,y_val))print(accuracy_score(test_outputs, y_val))`

輸出：

• 
  

• 
  

[[1527 83][ 224 166]] ? ? ? ? ?precision ? ?recall ?f1-score ? support ? ? ? 0 ? ? ? 0.87 ? ? ?0.95 ? ? ?0.91 ? ? ?1610 ? ? ? 1 ? ? ? 0.67 ? ? ?0.43 ? ? ?0.52 ? ? ? 390micro avg 0.85 0.85 0.85 2000macro avg 0.77 0.69 0.71 2000weighted avg 0.83 0.85 0.83 20000.8465`

輸出結(jié)果表明，我們的模型達(dá)到了84.65％的精度，考慮到我們隨機(jī)選擇神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)這一事實(shí)，這非常令人印象深刻。我建議您嘗試更改模型參數(shù)，例如訓(xùn)練/測(cè)試比例，隱藏層的數(shù)量和大小等，以查看是否可以獲得更好的結(jié)果。

結(jié)論

PyTorch是Facebook開(kāi)發(fā)的常用深度學(xué)習(xí)庫(kù)，可用于各種任務(wù)，例如分類，回歸和聚類。本文介紹了如何使用PyTorch庫(kù)對(duì)表格數(shù)據(jù)進(jìn)行分類。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《Python中用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例數(shù)據(jù)分析可視化
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)價(jià)格時(shí)間序列和MSE評(píng)估準(zhǔn)確性
【視頻】Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析|數(shù)據(jù)分享
數(shù)據(jù)分享|R語(yǔ)言用Keras長(zhǎng)短期記憶LSTM神經(jīng)網(wǎng)絡(luò)分類分析問(wèn)答文本數(shù)據(jù)
Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)價(jià)格時(shí)間序列和MSE評(píng)估準(zhǔn)確性
數(shù)據(jù)分享|PYTHON用KERAS的LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)天然氣價(jià)格例子
Python對(duì)商店數(shù)據(jù)進(jìn)行l(wèi)stm和xgboost銷售量時(shí)間序列建模預(yù)測(cè)分析
Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長(zhǎng)期利率預(yù)測(cè)
結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類分析新聞組數(shù)據(jù)
用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
PYTHON用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測(cè)時(shí)間序列洗發(fā)水銷售數(shù)據(jù)
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化
Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
R語(yǔ)言中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)間序列：多層感知器（MLP）和極限學(xué)習(xí)機(jī)（ELM）數(shù)據(jù)分析報(bào)告
R語(yǔ)言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)時(shí)間序列數(shù)據(jù)
Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類
R語(yǔ)言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別手寫(xiě)數(shù)字圖像數(shù)據(jù)（MNIST）
MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人體脂肪百分比數(shù)據(jù)
Python中用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型
【視頻】R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
R語(yǔ)言用神經(jīng)網(wǎng)絡(luò)改進(jìn)Nelson-Siegel模型擬合收益率曲線分析
R語(yǔ)言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時(shí)間序列預(yù)測(cè)
R語(yǔ)言神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車輛數(shù)量時(shí)間序列
R語(yǔ)言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績(jī)
matlab使用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)進(jìn)行分類
R語(yǔ)言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化
用R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)
python用于NLP的seq2seq模型實(shí)例:用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類