LSTM实践（代码详解）（一）

首先学习LSTM的目的：对时序数据有一个更深层次的挖掘，对比深度学习方法和机器学习方法在特征提取上的优劣。

一、LSTM博文推荐

这里先推荐一本教材 《TensorFlow深度学习》 。首先学习Tensorflow对LSTM实战是有帮助的。这里不对LSTM进行过多原理解释，给出几个大佬的博文供大家学习：
博文一 ：系列好文！！！大佬主要讲解了原理部分和Kears实现部分，建议有程序基础的小伙伴可以学习一下。

博文二 ：关于Tensorflow的系列好文，解释通俗易懂，想学习基础部分的小伙伴可以移步查看。

知乎三 ：这篇知乎回答可以帮助小伙伴更好的理解LSTM原理部分。

二、代码详解

先贴代码再解释

代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import metrics
from sklearn.model_selection import train_test_split
from keras.models import Model
from keras.layers import LSTM, Activation, Dense, Dropout, Input, Embedding
from keras.optimizers import RMSprop
from keras.callbacks import EarlyStopping
from keras import Sequential


# 查看数据 ===>索引、编号、标签、序列sequence
df = pd.read_csv(r'E:\feature.csv',index_col='INDEX')
df.drop(['ID'],axis=1,inplace=True)


# 划分训练集测试集
X = df.iloc[:,1:]
Y = df.DR
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.15)

'''
实现方法1：模型法
'''
Seq_len = 100
def RNN():
    inputs = Input(name='inputs',shape=[Seq_len])
    layer = Embedding(100,50,input_length=Seq_len)(inputs)
    layer = LSTM(64)(layer)
    layer = Dense(64,name='FC1')(layer)
    layer = Activation('relu')(layer)
    layer = Dropout(0.5)(layer)
    layer = Dense(1,name='out_layer')(layer)
    layer = Activation('sigmoid')(layer)
    model = Model(inputs=inputs,outputs=layer)
    return model

model = RNN()
model.summary()
model.compile(loss='binary_crossentropy',optimizer=RMSprop(),metrics=['accuracy'])

model.fit(X_train,Y_train,batch_size=10,epochs=100,
          validation_split=0.2,callbacks=[EarlyStopping(monitor='val_loss',min_delta=0.0001)])

'''
实现方法2：序列法
'''
# model = Sequential()
# inputs = Input(name='inputs',shape=[max_len])
# model.add(Embedding(max_words,50,input_length=max_len))
# model.add(LSTM(5))
# model.add(Dense(1))
# model.add(Activation( 'sigmoid' ))


# model.compile(optimizer= 'sgd' , loss= 'mse' ,  metrics=[ 'accuracy' ])
# model.fit(X_train,Y_train, batch_size=10, epochs=20,callbacks=[EarlyStopping(monitor='loss',min_delta=0.0001)])



accr = model.evaluate(X_test,Y_test)
print('Test set\n  Loss: {:0.3f}\n  Accuracy: {:0.3f}'.format(accr[0],accr[1]))

y_pre = model.predict(X_test)
print(y_pre)
y_pred = []
for y in y_pre:
    if y > 0.5:
        y_pred.append(1)
    else:
        y_pred.append(0)
print(y_pred)
print(Y_test)

# 查看混淆矩阵(预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(y_pred, Y_test)
print('The confusion matrix result:\n', confusion_matrix_result)

总结

这里先对代码进行一个整理以及备份，没有做过多解释以及分析，想交流学习的小伙伴可以评论区回复，然后我会及时更新。