pybrain

Question

我正在尝试使用 Pybrain 神经网络和专门的 ClassificationDataSet 构建第一个 classifier，但我不确定我是否完全理解它的工作原理。

所以我有一个 pandas 数据框，其中包含 6 个特征列和 1 个用于 class 标签的列（幸存，只有 0 或 1）。

我用它构建了一个数据集：

ds = ClassificationDataSet(6, 1, nb_classes=2)
for i in df[['Gender', 'Pclass', 'AgeFill', 'FamilySize', 'FarePerPerson', 'Deck','Survived']].values:
    ds.addSample(tuple(i[:-1]), i[-1])
ds._convertToOneOfMany()
return ds

好的，我检查一下数据集的样子：

for i, m in ds:
    i, m


(array([ 1.,  3.,  2.,  2.,  1.,  8.]), array([1, 0]))
(array([ 0.,  1.,  1.,  2.,  0.,  2.]), array([0, 1]))

而且我已经遇到了问题。 [1,0] 或 [0,1] 是什么意思？它只是原始 'survived' 列的“0”或“1”吗？如何恢复到原来的值？

稍后，当我完成网络训练时：

net = buildNetwork(6, 6, 2, hiddenclass=TanhLayer, bias=True,  outclass=SoftmaxLayer)
trainer = BackpropTrainer(net, ds)
trainer.trainEpochs(10)

我将尝试在我的另一个数据集上激活它（我想对其进行实际的 class 化），我将为 2 个输出神经元中的每一个获得一对激活结果，但是如何理解哪个输出神经元对应哪个原始class？可能这是显而易见的事情，但不幸的是我无法从文档中理解它。

Answer 1

好的，看起来 pybrain 使用位置来确定 class 是 (0,1) 还是 (1,0)。

要回到原来的 0 或 1 标记，您需要使用 argmax() 函数。因此，例如，如果我已经有一个训练有素的网络，并且我想在我用于训练的相同数据上对其进行验证，我可以这样做：

for inProp, num in ds:
    out = net.activate(inProp).argmax()
    if out == num.argmax():
        true+=1
    total+=1
res = true/total

inProp 看起来像我的激活输入值的元组，num - 预期的双神经元输出（(0,1) 或 (1,0)）和 num.argmax() 的元组会将其转换为 0 或 1 - 实际输出。

我可能是错的，因为这是一种纯粹的启发式方法，但它在我的示例中有效。

pybrain - ClassificationDataSet - 如何理解使用 SoftmaxLayer 时的输出

pybrain - ClassificationDataSet - how to understand the output when using SoftmaxLayer

python

pandas

machine-learning

classification