OverView:

今天突然想起以前写过一个用BP算法的iris分类器, 加上最近面试把线性规划的思想和实现又看了一遍.

(1) 数据集介绍

(2) tensorflow 实现分类器

(3) tensorflow实现模型评估

评估结果 分类结果

(1) 数据集介绍

Iris数据集在模式识别研究领域比较知名的数据集。这个数据集里一共包括150个样本，其中前四列为花萼长度，花萼宽度，花瓣长度，花瓣宽度等4个用于识别鸢尾花的属性，第5列为鸢尾花的类别（包括Setosa，Versicolour，Virginica三类）。也即通过判定花萼长度，花萼宽度，花瓣长度，花瓣宽度的尺寸大小来识别鸢尾花的类别。

数据集可以从UCI数据集上直接下载，默认格式为逗号分隔的文本文件。也可以直接从sklearn包里datasets里导入，语法为：from sklearn.datasets import load_iris。为了方便起见,使用sklearning导入.

(2) tensorflow 实现分类器

step1 导入所需要的工具库

#-*-coding:UTF-8-*-

# 导入所需要的工具库

import matplotlib.pyplot as plt

import numpy as np

from sklearn import datasets

import tensorflow as tf

from tensorflow.python.framework import ops

ops.reset_default_graph()

step2 加载数据

# Load the iris data

# iris.target = {0, 1, 2}, where '0' is setosa

# iris.data ~ [sepal.width, sepal.length, pedal.width, pedal.length]

iris = datasets.load_iris()

binary_target = np.array([1. if x==0 else 0. for x in iris.target])

iris_2d = np.array([[x[2], x[3]] for x in iris.data])

step3 预处理

# Declare batch size

batch_size = 20

# Create graph

sess = tf.Session()

# Declare placeholders

x1_data = tf.placeholder(shape=[None, 1], dtype=tf.float32)

x2_data = tf.placeholder(shape=[None, 1], dtype=tf.float32)

y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)

step4创建线性模型

# Create variables A and b (0 = x1 - A*x2 + b)

A = tf.Variable(tf.random_normal(shape=[1, 1]))

b = tf.Variable(tf.random_normal(shape=[1, 1]))

# Add model to graph:

# x1 - A*x2 + b 线性回归

my_mult = tf.matmul(x2_data, A)

my_add = tf.add(my_mult, b)

my_output = tf.subtract(x1_data, my_add)

# sigmoid_cross_entropy_with_logits

xentropy = tf.nn.sigmoid_cross_entropy_with_logits(logits=my_output, labels=y_target)

# Create Optimizer

my_opt = tf.train.GradientDescentOptimizer(0.05)

train_step = my_opt.minimize(xentropy)

step5 训练数据

# Run Loop

for i in range(1000):

    rand_index = np.random.choice(len(iris_2d), size=batch_size)

    #rand_x = np.transpose([iris_2d[rand_index]])

    rand_x = iris_2d[rand_index]

    rand_x1 = np.array([[x[0]] for x in rand_x])

    rand_x2 = np.array([[x[1]] for x in rand_x])

    #rand_y = np.transpose([binary_target[rand_index]])

    rand_y = np.array([[y] for y in binary_target[rand_index]])

    sess.run(train_step, feed_dict={x1_data: rand_x1, x2_data: rand_x2, y_target: rand_y})

    if (i+1)%200==0:

        print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)) + ', b = ' + str(sess.run(b)))

step6 绘图

iris 分类