深度学习|泰坦尼克号生还数据预测（MLP）

前言

上次分享，我们利用pandas和sklearn完成了泰坦尼克号数据的预处理，包括下面的步骤，具体可看深度学习|泰坦尼克号生还数据处理

• 选取建模字段
• 缺失值处理
• 性别处理
• 登陆船舱的处理
• 划分数据集
• 数据的标准化

那这篇文章我们就构造神经网络来完成数据的建模和预测。

MLP建模

模型结构

模型结构为：

• 输入层，也就是9个神经元（对应9个字段）
• 隐藏层1，40个神经元
• 隐藏层2，30个神经元
• 输出层，1个神经元

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'))

训练模型

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)

测试

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

这样，我们的泰坦尼克号数据预测工作就完成了。