益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞职申请书

admin 2019-04-04 阅读:313

鸢(yun )尾花分类相当于机器学习中的Helloworld问题,假如这个问题你能解开了那么阐明你机器学习现已入门了。

上一节,咱们做了一个最简略的TensorFlow的比如。比如中的数据是咱们自己为了做这个比如而随意举比如给出来的。本节咱们用TensorFlow处理鸢尾花分类。鸢尾花分类有许多中分类,它们一般经过花萼长度、花萼宽度、花瓣长度、花瓣宽度进行区分出不同品种。

有没有或许?咱们让机器学习关于这个鸢尾花分类的一组大数据,然后树立模型,练习,后边直接给出花的四个特征,就能直接判别花的分类呢?

咱们来试一试吧!

图阿马西纳

这篇教程所运用的的数据全称是:安德森鸢尾花卉数据集.

安德森是一名植物学家,这个数据集他现已进行标定过。所谓的标定,便是他自身作为植物学家,对这些植物了解很透彻,很简单就将这些花进行了分门类别,而且把他们之间的一些特征进行丈量。(这个数据集,比咱们上一节的数据集有实际意义)

完好的数据如下表:

五列数据别离对应花萼长度、花萼宽度、花瓣长度、花瓣宽度和品种,其间品种别离为山鸢尾、变色鸢尾和维吉尼亚鸢尾三个类别。

5.1,3.5,1.4,0.2,Iris-setosa

4.9,3.0,1.4,0.2,Iris-setosa

4.7,3.2,1.3,0.2,Iris-setosa

4.6,3.1,1.5,0.2,Iris-setosa

5.0,3.6,1.4,0.2,Iris-setosa

5.4,3.9,1.7,0.4,Iris-setosa

4.6,3.4,1.4,0.3,Iris-setosa

5.0,3.4,1.5,0.2,Iris-setosa

4.4,2.9,1.4,0.2,Iris-setosa

4.9,3.1,1.5,0.1,Iris-setosa

5.4,3.7,1.5,0.2,Iris-setosa

4.8,3.4,1.6,0.2,Iris-setosa

4梁心怡.8,3.0,1.4,0.1,Iris-setosa

4.3益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书,3.0,1.1,0.1,Iris-setosa

5.8,4.0,1.2,0.2,Iris-setosa

5.7,4.4,1.5,0.4,Iris-setosa

5.4,3.9,1.3,0.4,Iris-setosa

5.1,3.5,1.4,0.3,Iris-setosa

5.7,3.8,1.7,0.3,Iris-setosa

5.1,3.8,1.5,0.3,Iris-setosa

5.4,3.4,1.7,0.2,Iris-setosa

5.1,3.7,1.5,0.4,Iris-setosa

4.6,3.6,1.0,0.2,Iris-setosa

5.1,3.3,1.7,0.5,Iris-setosa

4.8,3.4,1.9,0.2,Iris-setosa

5.0,3.0,1.6,0.2,Iris-setosa

5.0,3.4,1.6,0.4,Iris-setosa

5.2,3.5,1.5,0.2,Iris-setosa

5.2,3.4,1.4,0.2,Iris-setosa

4.7,3.2,1.6,0.2,Iris-setosa

4.8,3.1,1.6,0.2,Iris-setosa

5.4,3.4,1.5,0.4,Iris-setosa

5.2,4.1,1.5,0.1,Iris-setosa

5.5,4.2,1.4,0.2,Iris-setosa

4.9,3.1,1.5,0.1,Iris-setosa

5.0,3.2,1.2,0.2,Iris-setosa

5.5,3.5,1.3,0.2,Iris-setosa

4.9,3.1,1.5,0.1,Iris-set赵人乞猫osa

4.4,3.0,1.3,0.2,Iris-setosa

5.1,3.4,1.5,0.2,Iris-setosa

5.0,3.5,1.3,0.3,Iris-setosa

4.5,2.3,1.3,0.3,Iris-setosa

4.4,3.2,1.3,0.2,Iris-setosa

5.0,3.5,1.6,0.6,Iris-setosa

5.1,3.8,1.9,0.4,Iris-setosa

4.8,3.0,1.4,0.3,Iris-setosa

5.1,3.8,1.6,0.2,Iris-setosa

4.6,3.2,1.4,0.2,Iris-setosa

5.3,3.7,1.5,0.2,Iris-setosa

5.0,3.3,1.4,0.2,Iris-setosa

7.0,3.2,4.7,1.4,Iris-versicolor

6.4,3.2,4.5,1.5,Iris-versicolor

6.9,3.1,4.9,1.5,Iris-versicolor

5.5,2.3,4.0,1.3,Iris-versicolor

6.5,2.8,4.6,1.5,Iris-versicolor

5.7,2.8,4.5,1.3,Iris-versicolor

6.3,3.3,4.7,1.6,Iris-versicolor

4.9,2.4,3.3,1.0,Iris-versicolor

6.6,2.9,4.6,1.3,Iris-versicolor

5.2,2.7,3.9,1.4,Iris-versicolor

5.0,2.0,3.5,1.0,Iris-ve益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书rsicolor

5.9,3.0,4.2,1.5,Iris-versicolor

6.0,2益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书.2,4.0,1.0,Iris-versicolor

6.1,2.9,4.7,1.4,Iris-versicolor

5.6,2.9,3.6,1.3,Iris-versicolor

6.7,3.1,4.4,1.4,Iris-versicolor

5.6,3.0,4.5,1.5,Iris-versicolor

5.8,2.7,4.1,1.0,Iris-versicolor

6.2,2.2,4.5,1.5,I益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书ris-versicolor

5.6,2.5,3.9,1.1,Iris-versicolor

5.9,3.2,4.8,1.8,Iris-versicolor

6.1,2.8,4.0,1.3,Iris-versicolor

6.3,2.5,4.9,1.5,Iris-versicolor

6.1,2.8,4.7,1.2,Iris-versicolor

6.4,2.9,4.3,1.3,Iris-versicolor

6.6,3.0,4.4,1.4,Iris-versicolor

6.8,2.8宝树堂麝香壮骨膏,4.8,1.4,Iris-versicolor

6.7,3.0,5.0,1.7,Iris-versicolor

6.云天售后效劳管理软件0,2.9,4.5,1.5,Iris-versicolor

5.7,2.6,3.5,1.0,Iris-versicolor

5.5,2.4,3.8,1.1,Iris-versicolor

5.5,2.4,3.7,1.0,Iris-versicolor

5.8,2.7,3.9,1.2,Iris-versicolor

6.0,2.7,5.1,1.6,Iris-versicolor

5.4,3.0,4.5,1.5,Iris-versicolor

6.0,3.4,4.5,1.6,Iris-versicolor

6.7,3.1,4.7,1.5,Iris-versicolor

6.3,2.3,4.4,1.3,Iris-versicolor

5.6,3.0,4.1,1.3,Iris-versicolor

5.5,2.5,4.0,1.3,Iris-versicolor

5.5,2.6,4.4,1.2,Iris-versicolor

6.1,3.0,4.6,1.4,Iris-versicolor

5.8,2.6,4.0,1.2,Iris-versicolor

5.0,2.3,3.3,1.0,Iris-versicolor

5.6,2.7,4.2,1.3,Iris-versicolor

5.7,3.0,4.2,1.2,Iris-versicolor

5.7,2.9,4.2,1.3,Iris-versicolor

6.2,2.9,4.3,1.3,Iris-versicolor

5.1,2.5,3.0,1.1,Iris-versicolor

5.7,2泰勒阿费尔.8,4.1,1.3,Iris-versicolor

6.3,3.3,6.0,2.5,Iris-virginica

5.8,2.7,5.1,1.9,Iris-virginica

7.1,3.0,5.9,2.1,Iris-virginica

6.3,2.9,5.6,1.8,Iris-virginica

6.5,3.0,5.8,2.2,Iris-virginica

7.6,3.0,6.6,2.1,Iris-virginica

4.9,2.5,4.5,1.7,Iris-virginica

7.3,2.9,6.3,1.8,Iris-virginica

6.7,2.5,5.8,1.8,Iris-virginica

7.2,3.6,6.1,2.5,Iris-virginica

6.5,3.2,5.1,2.0,Iris-virginica

6.4,2.7,5.3,1.9,Iris-virginica

6.8,3.0,5.5,2.1hu7709,Iris-virginica

5.7,2.5,性用品店5.0,2.0,Iris-virginica

5.8,2.8,5.1,2.4,Iris-virginica

6.4,3.2,5.3,2.3,Iris-云之声云银河被开除virginica

6.5,3.0,5.5,1.8,Iris-virginica益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书

7.7,3.8,6.7,2.2,Irisobad木马-virginica

7.7,2.6,6.9,2.3,Iris-virginica

6.0,2.2,5.0,1.5,Iris-virginica

6.9,3.2,5.7,2.3,Iris-virgi我掌华娱nica

5.6,2.8,4.9,2.0,Iris-virginica

7.7,2.8,6.7,2.0,Iris-virginica

6.3,2.7,4.9,1.8,Iris-virginica

6.7,3.3,5.7,2.1,Iris-virginica

7.2,3.2,6.0,1.8,Iris-virginica

6.2,2.8,4.8,1.8,Iris-virginica

6.1,3.0,4.9,1.8,Iris-virginica

6.4,2.8,5.6,2.1,Iris-virginica

7.2,3.0,5.8,1.6,Iris-virginica

7.4,2.8,6.1,1.9,Iris-virginica

7.9,3.8,6.4,2.0,Iris-virginic益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书a

6.4,2.8,5.6,2.2,Iris-virginica

6.3,2.8,5.1,1.5,Iris-virginica

6.1,2.6,5.6,1.4,Iris-virginica

7.刘桢梁甫行原文7,3.0,6.1,2.3,Iris-virginica

6.3,3.4,5.6,2.4,Iris-virginica

6.4,star5173.1,5.5,1.8,Iris-virginica

6.0,3.0,密码子医考4.8,1.8,Iris-virginica

6.9,3.1,5.4,2.1,Iris-virginica

6.7,3.1,5.6,2.4,Iris-virg不甘寂寞的妈妈inica

6.9,3.1,5.1,2.3,Iris-virginica

5.8,2.7,5.1,1.9,Iris-virginica

6.8,3.2,5.9,2.3,Iris-virginica

6.7,3.3,5.7,2.5,Iris-virginica

6.7,3.0,5.2,2.3,Iris-virginica

6.3,2.5,5.0,1.9,Iris-virginica

6.5,3.0,5.2,2.0,Iris-virginica

6.2,3.4,5.4,2.3,Iris-virginica

5.9,3.0,5.1,1.8,Iris-virginica

那么这个问题便是咱们有花萼长度、花萼宽度、花瓣长度、花瓣宽度四个参数,怎样判别它归于哪个品种呢?

3.1. 操作进程纲要

依旧是相同的操作方法,仅仅数据与模型变动了。

3.2. 将数据以CSV的格局存储

数据集全选,右键仿制

在D盘新建一个txt文本,把数据粘贴到文本中

将txt文本从头命名为iris.csv,更改后缀名会弹出提示框,承认即可。

3.3. 导入数据

在Kittenb益母草颗粒,机器学习鸢尾花(Iris)分类系列三,辞去职务申请书lock内新建一个项目,导入TensorFlow插件。

第一步首要咱们要树立两个列表(list)变量,别离叫xs和ys,对应咱们的前四列输入数据和最终一列输出姓名。(新建列表变量进程上节写的很清楚了,毛毛奇这节不在赘述)

之后拖入数据导入方块并履行:

数据导入后咱们能够看到xs和ys的内容如下:

这儿不主张咱们在学习TensorFlow的进程中一向将数据显现翻开,特别是xs列,由于后边咱们接触到图画识别中xs中保存了不计其数的图画数据,在舞台中显现会活生生将软件拖死。

封闭列表显现,把蓝色的勾勾去掉即可。

3.4. 模型树立

树立模型前咱们仍是要记住新建一个变量保存模型的姓名,这儿就叫model

整个模型如下图:

其间躲藏层有10个神经元,图中只画出了5个,实际上每个神经元仍是跟前武定三国一级一切输入进行衔接。

3.5. 数据导入

同理咱们需求将数据导入给TensorFlow引擎

留意,这儿很简单搞混~留意不要拖错积木块

需求留意的是这儿咱们ys是一系列的标签,也便是输出为一切或许标签的某一个,咱们看机器学习的书中提到onehot便是指的这个。

例如:5.1,3.5,1.4,0.3,Iris-setosa这一组数据的输出是Iris-setosa,可是机器并不知道这个单词。它跟喜爱的是形如**[1,0,0]**这样的矩阵,这样它就知道这一组数据输出是第一个类别。

同理:6.2,2.9,4.3,1.3,Iris-versicolor这一组的数据输出就应该是**[0,0,1]**

因而咱们这儿需求运用Output Label方块,这个方块将ys数据直接转换成o闺情李端nehot矩阵,而且保存了对应的标签映射。今后遇到标签类型的,咱们都能够这样处理。

3.6. 模型练习

之后咱们参加模型练习方块,完好的图形化代码如下:

点击绿旗子运转,小喵说练习完结~

咱们能够翻开Kittenblock的调试窗口(按F12)检查模型的收敛进程:

3.7. 测验检测

练习完结后,咱们参加模型猜测方块

留意咱们将ys标签化了,所以咱们需求用Predict By Label让它输出金属破碎机xgpsj正确的方块。点击方块,猫咪就会通知你正确的类别喽~

当然咱们也能够不必标签输出,那么模型猜测将给出三组概率,其间最高那个便是咱们需求的类别了。仅仅没那么直观。

大数据 植物
声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间效劳。