Simple Neural Networks
இதுவரை நாம் பார்த்த அனைத்தும் புரிந்து கொள்ள சுலபமாக இருக்க வேண்டும் என்பதற்காக,, 1 நியூரான், 2 நியூரான் என்று சிறிய எண்ணிக்கையில் எடுத்துச் செய்து பார்த்தோம். இப்போது உண்மையாகவே 30 features-ல் அமையும் 426 பயிற்சித் தரவுகளை எடுத்து ஒரு நியூரல் நெட்வொர்க்கை உருவாக்கிப் பார்க்கப் போகிறோம். இதில் வெறும் உள்ளீடு மற்றும் வெளியீட்டுக்கான layer-ஐ மட்டுமே கொண்டிருக்கும். இடையில் எந்தஒரு hidden layer-ம் காணப்படாது.
கீழ்க்கண்ட எடுத்துக்காட்டில் sklearn-க்குள் உள்ள datasets என்பதற்குள் ஒருவருக்கு மார்பகப் புற்றுநோய் இருக்கா இல்லையா என்பதை முடிவு செய்வதற்கான மாதிரித் தரவுகளின் தொகுப்புகள் உள்ளன. இவை 426 rows மற்றும் 30 features-ஐக் கொண்டது. இவை train_test_split மூலம் பிரிக்கப்பட்டு normalize செய்யப்படுகின்றன. அவற்றில் ஒரு பாதியைக் கொடுத்து 4000 சுற்றுகளை உருவாக்கி, கற்றலுக்கான விகிதத்தை 0.75 என வைத்து நியூரல் நெட்வொர்க்குப் பயிற்சி அளித்து சரியான அளவுருக்களைக் கண்டுபிடிக்கிறோம். பின்னர் கண்டுபிடித்த அளவுக்களை வைத்து பயிற்சிக்கு அளித்த தரவுகளையும்(X_train), அளிக்காத தரவுகளையும்(X_test) கணிக்கச் சொல்லுகிறோம். பயிற்சிக்கு அளித்த தரவுகளின் துல்லியத்தன்மை 98% எனவும், பயிற்சிக்குச் செலுத்தாத மீதித் தரவுகளை எதிர்காலத் தரவுகலாகக் கருதி அதனைக் கணித்து வரும் துல்லியத்தன்மை 93% எனவும் வெளிப்படுவதைக் காணலாம்.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| from sklearn import datasets | |
| import numpy as np | |
| from sklearn.datasets import load_breast_cancer | |
| from sklearn.model_selection import train_test_split | |
| def normalize(data): | |
| col_max = np.max(data, axis = 0) | |
| col_min = np.min(data, axis = 0) | |
| return np.divide(data – col_min, col_max – col_min) | |
| def model(X,Y): | |
| num_samples = float(X.shape[1]) | |
| W = np.zeros((X.shape[0], 1)) | |
| b = 0 | |
| for i in range(4000): | |
| Z = np.dot(W.T,X) + b | |
| A = 1/(1 + np.exp(–Z)) | |
| if(i%100 == 0): | |
| print("cost after %d epoch:"%i) | |
| print (–1/num_samples *np.sum(Y*np.log(A) + (1–Y)*(np.log(1–A)))) | |
| dW = (np.dot(X,(A–Y).T))/num_samples | |
| db = np.sum(A–Y)/num_samples | |
| W = W – (0.75 * dW) | |
| b = b – (0.75 * db) | |
| return W, b | |
| def predict(X,W,b): | |
| Z = np.dot(W.T,X) + b | |
| i = [] | |
| for y in 1/(1 + np.exp(–Z[0])): | |
| if y > 0.5 : | |
| i.append(1) | |
| else: | |
| i.append(0) | |
| return (np.array(i).reshape(1,len(Z[0]))) | |
| (X_cancer, y_cancer) = load_breast_cancer(return_X_y = True) | |
| X_train, X_test, y_train, y_test = train_test_split(X_cancer, y_cancer, random_state = 25) | |
| X_train = normalize(X_train).T | |
| y_train = y_train.T | |
| X_test = normalize(X_test).T | |
| y_test = y_test.T | |
| Weights, bias = model(X_train, y_train) | |
| y_predictions = predict(X_train,Weights,bias) | |
| accuracy = 100 – np.mean(np.abs(y_predictions – y_train)) * 100 | |
| print ("Accuracy for training data: {} %".format(accuracy)) | |
| y_predictions = predict(X_test,Weights,bias) | |
| accuracy = 100 – np.mean(np.abs(y_predictions – y_test)) * 100 | |
| print ("Accuracy for test data: {} %".format(accuracy)) |
நிரலுக்கான வெளியீடு:
cost after 0 epoch:
0.6931471805599453
cost after 100 epoch:
0.24382767353051085
cost after 200 epoch:
0.18414919195134818
…………………..
cost after 3800 epoch:
0.06044063465393139
cost after 3900 epoch:
0.05993526502299061
Accuracy for training data: 98.59154929577464 %
Accuracy for test data: 93.00699300699301 %