Keras之predict二分類：DL之binary_crossentropy&Relu——DIY二分類資料集實現輸入新資料點預測二分類

輸出結果

實現程式碼

#Keras之predict二分類：DL之binary_crossentropy&Relu——DIY二分類資料集實現輸入新資料點預測二分類

# 建立一個新的分類模型
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt
import random


# 生成二分類資料集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
print(X,y)

Xa=[]
Xb=[]
for i in range(0,len(X)):
    Xa.append(X[i][0])
    Xb.append(X[i][1])
print('a',Xa)
print('b',Xb)

plt.scatter(Xa,Xb,marker='o',c='',edgecolors='g')#edgecolors是控制圓圈的邊緣顏色，c是控制圓心的顏色，c=''就是空心


scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)
# 定義並擬合最終模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# 新的未知資料例項
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = scalar.transform(Xnew)
print(Xnew)

# 作出預測
ynew = model.predict_classes(Xnew)

# 顯示輸入和輸出
Xnew_x=[]
Xnew_y=[]
for i in range(len(Xnew)):
    print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
    Xnew_x.append(Xnew[i][0])
    Xnew_y.append(Xnew[i][1])
    
plt.scatter(Xnew_x,Xnew_y,marker='.',c='',edgecolors='r')#edgecolors是控制圓圈的邊緣顏色，c是控制圓心的顏色，c=''就是空心
plt.title('Binary classification——Binary_crossentropy&Relu——Jason Niu')
plt.show()