第R3周：RNN-心脏病预测

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

文章目录

一、前言
二、代码流程
1、导入包，设置GPU
2、导入数据
3、数据处理
4、构建RNN模型
5、编译模型
6、模型训练
7、模型评估

电脑环境：
语言环境：Python 3.8.0
深度学习环境：tensorflow 2.17.0

一、前言

传统神经网络的结构都比较简单：输入层-隐藏层-输出层
在这里插入图片描述
RNN和传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练。如下图：

二、代码流程

1、导入包，设置GPU

import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0]tf.config.experimental.set_memory_growth(gpu0, True)tf.config.experimental.set_visible_devices([gpu0], "GPU")gpus

2、导入数据

数据介绍：

age: 年龄
sex: 性别
cp：胸痛类型 (4 values)
trestbps: 静息血压
chol：血清胆甾醇 (mg/ dl
fbs：空腹血糖＞120 mg/dl
restecg：静息心电图结果(值 0，1，2)
thalach：达到的最大心率
exang：运动诱发的心绞痛
oldpeak：相对于静止状态，运动引起的ST段压低
slope: 运动峰值 ST 段的斜率
ca：荧光透视着色的主要血管数量(0-3)
thal：0=正常；1=固定缺陷；2=可逆转的缺陷
target：0=心脏病发作的几率较小1=心脏病发作的几率更大

import pandas as pd
import numpy as npdf = pd.read_csv("heart.csv")
df.head()

在这里插入图片描述

3、数据处理

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScalerX = df.drop("target", axis=1)
y = df["target"]X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=0)

标准化

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

4、构建RNN模型

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, SimpleRNN, Dropoutmodel = Sequential()
model.add(SimpleRNN(200, input_shape=(13, 1), activation="relu"))
model.add(Dense(100, activation="relu"))
model.add(Dense(1, activation='sigmoid'))model.summary()

5、编译模型

opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(optimizer=opt, loss="binary_crossentropy", metrics=["accuracy"])

6、模型训练

epochs = 100history = model.fit(X_train, y_train, epochs=epochs, batch_size=128,validation_data=(X_test, y_test),verbose=1)

Epoch 1/100
3/3 ━━━━━━━━━━━━━━━━━━━━ 3s 503ms/step - accuracy: 0.5104 - loss: 0.6909 - val_accuracy: 0.6129 - val_loss: 0.6858
..............................................................................................................
Epoch 100/100
3/3 ━━━━━━━━━━━━━━━━━━━━ 0s 15ms/step - accuracy: 0.8956 - loss: 0.2431 - val_accuracy: 0.8710 - val_loss: 0.4132

7、模型评估

import matplotlib.pyplot as pltacc = history.history['accuracy']
val_acc = history.history['val_accuracy']loss = history.history['loss']
val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(14, 4))plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()