Python机器学习手册：从数据预处理到深度学习

20.4

　训练一个多元分类器

｜

309

察值有

1000

个特征。

这里我们使用跟

20.2

节一样的神经网络（如果想看详细的解释，可以参考

20.2

节）。不

一样的地方是，在

20.2

节中我们仅创建了神经网络但并没有训练它。

在

Keras

中，训练神经网络用的是

fit

方法，它需要指定

6

个重要的参数。前两个参数是

训练数据的特征和目标向量。我们可以使用

shape

方法查看特征矩阵的形状 ：

#

查看特征矩阵的形状

features_train.shape

(25000, 1000)

epochs

参数指定在训练数据时需要使用多少个

epoch

。

verbose

参数决定在训练过程中

需要输出多少信息 ：

0

表示没有输出，

1

表示输出一个进度条，

2

表示每个

epoch

输出一

条日志。

batch_size

设定在计算多少个观察值之后才更新参数。

最后，我们保留一个测试集数据来评估模型。这些测试用的特征和目标向量可以放在

validation_data

参数中，用来评估模型。或者，我们可以使用

validation_split

参数

来设定要留多少比例的训练集数据用于评估模型。

在

scikit-learn

中

fit

方法返回一个训练后的模型，但是在

Keras

中

fit

方法返回一个

History

对象，它包含损失数据和每个

epoch

的性能数据。

20.4

　训练一个多元分类器

问题描述

训练一个多元分类器神经网络。

解决方案

使用

Keras

构建一个前馈神经网络，其输出层采用的是

softmax

激活函数 ：

#

加载库

import numpy as np

from keras.datasets ...