python調用sklearn庫BP神經網絡基於小樣本進行痘痘預測嘗試

背景：

MLPClassifier() BP神經網絡

曾幾何時，在學數學建模，看他人用了一次svm分類。自那刻起，遂在心中埋下種子：我本渣渣何時可用得高大上的神經網絡等牛X算法啊。
這個暑假有幸接觸到Anaconda，甚至不知道具體怎麼念，自己慢慢瞎摸亂搜慢慢學嘛。這個sklearn庫，有點厲害。只需調用通過參數，解放了雙手去編算法，得以零基礎用機器學習。
本渣渣來到弗蘭臉上容易長痘。自己平常喜歡將各種生活狀態量化表示。遂有了自己的一個小excel。這個數據集100多天。
於是，我決定對嘗試下跨學科來進行醫療與機器學習。自己做的沒什麼價值的，但萬一言者無心，聽者有意呢。

處理過程：

數據集

儘管數據少，而且我只用了辣椒和油炸兩個因素。我嘗試加進去起牀時間、天氣，嚴重拉低預測率，遂放棄。但睡眠時間也是稍微拉低一點。
首先展示部分樣本，我只用了油炸、辣椒兩個參數。（想要數據戳我，樂意奉獻本人數據）

證明下痘痘數據的真實性（自己每天記錄），還是有點正態分佈特徵：

我通過這個直方圖將痘痘分爲2，3，4，5。4個等級

數據標準化：

Excel標準化：

痘痘評分按上直方圖進行量化後
睡眠時間先轉浮點再通過excel表的if else if else…語句統一標準化

python的StandardScaler()標準化：

再次統一對訓練數據進行標準化操作

代碼時刻：

# -*- coding: utf-8 -*-
"""
Created on Tue Sep  3 19:10:07 2019
使用BP神經網絡模型
@author: yiqing
"""
#import numpy as np
import pandas as pd
#import matplotlib.pyplot as plt
from sklearn.metrics import classification_report
#from sklearn.metrics import roc_curve
#from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier
#from sklearn.externals import joblib

def read():
    dates=pd.read_excel("D:\ziliao\jihua\日常記錄3月.xlsx",sheet_name=1)
    print(dates.iloc[:98,16:19])#代表矩陣的16至19行 矩陣從（0，0）開始
    x_train=dates.iloc[30:79,17:19]
    print("xtrain:/n",x_train)
    y_train=dates.iloc[30:79,23]*10
    x_test=dates.iloc[80:129,17:19]
    y_test=dates.iloc[80:129,23]*10
    # 神經網絡對數據尺度敏感，所以最好在訓練前標準化，或者歸一化，或者縮放到[-1,1]
    #數據標準化
    scaler = StandardScaler() # 標準化轉換
    scaler.fit(x_test)  # 訓練標準化對象
    x_test_Standard= scaler.transform(x_test)   # 轉換數據集
    scaler.fit(x_train)  # 訓練標準化對象
    x_train_Standard= scaler.transform(x_train)   # 轉換數據集
    #
    bp=MLPClassifier(hidden_layer_sizes=(500, ), activation='relu', 
    solver='lbfgs', alpha=0.0001, batch_size='auto', 
    learning_rate='constant')
    bp.fit(x_train_Standard,y_train.astype('int'))
    y_predict=bp.predict(x_test_Standard)
    
    y_test1=y_test.tolist()
    y_predict=list(y_predict)
    #print(int(y_test1[1]))
    for i in range(len(y_test1)):
        y_test1[i]=int(y_test1[i])
        
    print('BP網絡基於辣椒與油炸預測臉上痘痘評價報告：\n',classification_report(y_test.astype('int'),y_predict))
    print("真實數據：\t",y_test1)
    print("預測數據：\t",y_predict)

if __name__ == "__main__":
    read()

運行結果：

BP網絡基於辣椒與油炸預測臉上痘痘評價報告：
              precision    recall  f1-score   support

          2       0.00      0.00      0.00         0
          3       0.50      0.30      0.37        10
          4       0.85      0.89      0.87        38

avg / total       0.78      0.77      0.77        48

真實數據：    [4, 4, 4, 4, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 3, 3, 3, 4, 4, 3]
預測數據：    [4, 4, 4, 4, 3, 3, 4, 4, 4, 4, 4, 4, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 2, 4, 2, 4]

結論：

（瞎扯的）
1）總預測率 78%還是不錯的，主要原因大部分都是4,太穩定了，數據還是太少，想預測難都難
2）油炸與辣椒較影響痘痘，但相關性不是特別強。
3）go to bed時刻與總睡眠時長次之
4）天氣、起牀時間毫無關係
5) 我覺得應該痘痘與前好幾天的飲食有關，正所謂冰凍一尺非一日之寒。
6) 個人認爲：情緒狀況、飲水、每日洗臉狀況也可考慮在內。
7) 一方水土養一方人，回家不長痘，覺得這是在家喝粥，在學校不喝粥主稻造成也有點關係
8）用藥。很有用。不過我沒記錄那幾天
9）自己記錄有失偏頗，無打分量準，完全看心情。