深度學習|泰坦尼克號生還數據預測（MLP）

前言

上次分享，我們利用pandas和sklearn完成了泰坦尼克號數據的預處理，包括下面的步驟，具體可看深度學習|泰坦尼克號生還數據處理

• 選取建模字段
• 缺失值處理
• 性別處理
• 登陸船艙的處理
• 劃分數據集
• 數據的標準化

那這篇文章我們就構造神經網絡來完成數據的建模和預測。

MLP建模

模型結構

模型結構爲：

• 輸入層，也就是9個神經元（對應9個字段）
• 隱藏層1，40個神經元
• 隱藏層2，30個神經元
• 輸出層，1個神經元

建立模型

from keras.models import Sequential
from keras.layers import Dense,Dropout

model = Sequential()

model.add(Dense(units=40, input_dim=9, 
                kernel_initializer='uniform', 
                activation='relu'))

model.add(Dense(units=30, 
                kernel_initializer='uniform', 
                activation='relu'))

model.add(Dense(units=1, 
                kernel_initializer='uniform',
                activation='sigmoid'))

訓練模型

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

train_history =model.fit(x=X_train, 
                         y=y_train, 
                         validation_split=0.1, 
                         epochs=30, 
                         batch_size=30,verbose=2)

測試

scores = model.evaluate(x=X_test, 
                        y=y_test)
scores[1]
# result 0.804

這樣，我們的泰坦尼克號數據預測工作就完成了。