使用数据集的 TensorFlow 分类答案

【问题标题】：TensorFlow Classification Using Dataset使用数据集的 TensorFlow 分类
【发布时间】：2023-04-07 03:25:02
【问题描述】：

我需要将 TensorFlow 用于一个项目，以根据项目的属性将项目分类到某个类别（1、2 或 3）。

唯一的问题是我在网上找到的几乎每个 TF 教程或示例都是关于图像识别或文本分类的。我找不到任何关于基于数字的分类的信息。我想我要问的是从哪里开始。如果有人知道一个相关的例子，或者我只是在想这个完全错误的。

给定每个项目的 13 个属性，需要使用 TF 神经网络对每个项目进行正确分类（或标记误差范围）。但是网上没有任何东西可以告诉我如何开始使用这种数据集。

数据集示例：（第一个值为类，其他值为属性）

2, 11.84, 2.89, 2.23, 18,   112, 1.72, 1.32, 0.43, 0.95, 2.65, 0.96, 2.52, 500
3, 13.69, 3.26, 2.54, 20,   107, 1.83, 0.56, 0.5,  0.8,  5.88, 0.96, 1.82, 680
3, 13.84, 4.12, 2.38, 19.5, 89,  1.8,  0.83, 0.48, 1.56, 9.01, 0.57, 1.64, 480
2, 11.56, 2.05, 3.23, 28.5, 119, 3.18, 5.08, 0.47, 1.87, 6,    0.93, 3.69, 465
1, 14.06, 1.63, 2.28, 16,   126, 3,    3.17, 0.24, 2.1,  5.65, 1.09, 3.71, 780

【问题讨论】：

在非卷积网络中（例如 TF 的基本 mnist 示例），图像实际上只是一个数字列表，因此您可以将其作为起点。

标签： machine-learning neural-network classification tensorflow

【解决方案1】：

假设您在文件 data.txt 中有数据。你可以使用 Numpy 来阅读：

import numpy as np
xy = np.loadtxt('data.txt', unpack=True, dtype='float32')
x_data = xy[1:]
y_data = xy[0];

也许，您可能需要 'np.transpose' 取决于您的权重和操作的形状。

x_data = np.transpose(xy[1:])

然后，使用“placeholders”和“feed_dict”来训练/测试您的模型：

X = tf.placeholder("float", ...
Y = tf.placeholder("float", ...
....
with tf.Session() as sess:
....
       sess.run(optimizer, feed_dict={X:x_data, Y:y_data})

【讨论】：

【解决方案2】：

对于此类问题，TensorFlow 有一个深入的教程here 或进入数据科学here

如果您要开始寻找视频，我认为 sentdex 的关于泰坦尼克号数据集的教程尽管他使用 k 手段进行分类，但您正在寻找什么（实际上我认为他的整个深度学习/机器学习播放列表都很棒）
你可以找到它here

否则，如果您正在寻找基本的入门方法

先占有：

首先尝试将数据分成类标签和输入（pandas lib 应该能够帮助你）

将你的类标签变成一个单热数组

比规范化数据：

看起来你不同的数据属性有很大不同的范围，确保它们都在 0 到 1 之间的相同范围内

建立你的模型：

一个简单的全连接网络应该可以解决问题请记住使输出层的大小与您拥有的类数相同

在finale层的输出上使用argmax函数来决定模型认为哪个类是正确的分类

【讨论】：