Scribd Logo
Upload

Welcome to Scribd!

  • Kiemtra 2

    Uploaded by

    Lương Nhật Tuấn
    9 views10 pages
    The document discusses building and evaluating several neural network models for classification of a diabetes dataset. In the first model, the author loads data, splits it into inputs and outputs, builds a simple model, and evaluates accuracy and loss. Subsequent models add more layers and dropout regularization. Accuracy generally increases with additional layers but overfitting is reduced with dropout. Overall, the models demonstrate the ability to learn from the training data while maintaining comparable performance on test data.

    Original Description:

    ,,

    Original Title

    kiemtra2

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF, TXT or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document
    The document discusses building and evaluating several neural network models for classification of a diabetes dataset. In the first model, the author loads data, splits it into inputs and outputs, builds a simple model, and evaluates accuracy and loss. Subsequent models add more layers and dropout regularization. Accuracy generally increases with additional layers but overfitting is reduced with dropout. Overall, the models demonstrate the ability to learn from the training data while maintaining comparable performance on test data.

    Copyright:

    © All Rights Reserved
    Download as PDF, TXT or read online from Scribd
    Flag for inappropriate content
    9 views10 pages

    Kiemtra 2

    Uploaded by

    Lương Nhật Tuấn
    The document discusses building and evaluating several neural network models for classification of a diabetes dataset. In the first model, the author loads data, splits it into inputs and outputs, builds a simple model, and evaluates accuracy and loss. Subsequent models add more layers and dropout regularization. Accuracy generally increases with additional layers but overfitting is reduced with dropout. Overall, the models demonstrate the ability to learn from the training data while maintaining comparable performance on test data.

    Copyright:

    © All Rights Reserved
    Download as PDF, TXT or read online from Scribd
    Flag for inappropriate content
    of 10

    Lương Nhật Tuấn - B20DCCN615

    Bài 1:

    *)Code:

    from tensorflow.keras.models import Sequential

    from tensorflow.keras.layers import Dense

    import matplotlib.pyplot as plt

    import numpy as np

    # load pima indians dataset

    dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")

    print(dataset[:5])

    *) Kết quả:
    [[ 6. 148. 72. 35. 0. 33.6 0.627 50. 1. ]
    [ 1. 85. 66. 29. 0. 26.6 0.351 31. 0. ]
    [ 8. 183. 64. 0. 0. 23.3 0.672 32. 1. ]
    [ 1. 89. 66. 23. 94. 28.1 0.167 21. 0. ]
    [ 0. 137. 40. 35. 168. 43.1 2.288 33. 1. ]
    ]
    Bài 2:

    *) Code:

    # Visualize training history

    from tensorflow.keras.models import Sequential

    from tensorflow.keras.layers import Dense

    import matplotlib.pyplot as plt

    import numpy as np

    # load pima indians dataset

    dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")

    # split into input (X) and output (Y) variables

    X = dataset[:,0:8]

    Y = dataset[:,8]

    # create model

    model = Sequential()
    model.add(Dense(15, input_dim=8, activation='relu'))

    model.add(Dense(10, activation='relu'))

    model.add(Dense(1, activation='sigmoid'))

    # Compile model

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    # Fit the model

    history = model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10, verbose=0)

    # list all data in history

    print(history.history.keys())

    # summarize history for accuracy

    plt.plot(history.history['accuracy'])

    plt.plot(history.history['val_accuracy'])

    plt.title('model accuracy')

    plt.ylabel('accuracy')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    # summarize history for loss

    plt.plot(history.history['loss'])

    plt.plot(history.history['val_loss'])

    plt.title('model loss')

    plt.ylabel('loss')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    *)Chạy:
    Bài 3:

    *)Code:

    # Visualize training history

    from tensorflow.keras.models import Sequential

    from tensorflow.keras.layers import Dense

    import matplotlib.pyplot as plt

    import numpy as np

    # load pima indians dataset

    dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")

    # split into input (X) and output (Y) variables

    X = dataset[:,0:8]

    Y = dataset[:,8]
    # create model

    model = Sequential()

    model.add(Dense(20, input_dim=8, activation='relu'))

    model.add(Dense(15, activation='relu'))

    model.add(Dense(10, activation='relu'))

    model.add(Dense(18, activation='relu'))

    model.add(Dense(1, activation='sigmoid'))

    # Compile model

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    # Fit the model

    history = model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10, verbose=0)

    # list all data in history

    print(history.history.keys())

    # summarize history for accuracy

    plt.plot(history.history['accuracy'])

    plt.plot(history.history['val_accuracy'])

    plt.title('model accuracy')

    plt.ylabel('accuracy')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    # summarize history for loss

    plt.plot(history.history['loss'])

    plt.plot(history.history['val_loss'])

    plt.title('model loss')

    plt.ylabel('loss')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()
    *)Chạy:

    Bài 4:

    *) Mô hình 1:

    -)Code:

    # Visualize training history

    from tensorflow.keras.models import Sequential

    from tensorflow.keras.layers import Dense,Dropout

    import matplotlib.pyplot as plt

    import numpy as np

    # load pima indians dataset

    dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")

    # split into input (X) and output (Y) variables


    X = dataset[:,0:8]

    Y = dataset[:,8]

    # create model

    model = Sequential()

    model.add(Dense(15, input_dim=8, activation='relu'))

    model.add(Dropout(0.1))

    model.add(Dense(10, activation='relu'))

    model.add(Dropout(0.1))

    model.add(Dense(1, activation='sigmoid'))

    # Compile model

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    # Fit the model

    history = model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10, verbose=0)

    # list all data in history

    print(history.history.keys())

    # summarize history for accuracy

    plt.plot(history.history['accuracy'])

    plt.plot(history.history['val_accuracy'])

    plt.title('model accuracy')

    plt.ylabel('accuracy')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    # summarize history for loss

    plt.plot(history.history['loss'])

    plt.plot(history.history['val_loss'])

    plt.title('model loss')

    plt.ylabel('loss')

    plt.xlabel('epoch')
    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    -)Chạy:

    *) Mô hình 2:

    -) Code:

    # Visualize training history

    from tensorflow.keras.models import Sequential

    from tensorflow.keras.layers import Dense,Dropout

    import matplotlib.pyplot as plt

    import numpy as np

    # load pima indians dataset

    dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")


    # split into input (X) and output (Y) variables

    X = dataset[:,0:8]

    Y = dataset[:,8]

    # create model

    model = Sequential()

    model.add(Dense(20, input_dim=8, activation='relu'))

    model.add(Dropout(0.1)) # Thêm dropout 10% cho lớp này

    model.add(Dense(15, activation='relu'))

    model.add(Dropout(0.1)) # Thêm dropout 10% cho lớp này

    model.add(Dense(10, activation='relu'))

    model.add(Dropout(0.1)) # Thêm dropout 10% cho lớp này

    model.add(Dense(18, activation='relu'))

    model.add(Dropout(0.1)) # Thêm dropout 10% cho lớp này

    model.add(Dense(1, activation='sigmoid'))

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    # Fit the model

    history = model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10, verbose=0)

    # list all data in history

    print(history.history.keys())

    # summarize history for accuracy

    plt.plot(history.history['accuracy'])

    plt.plot(history.history['val_accuracy'])

    plt.title('model accuracy')

    plt.ylabel('accuracy')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    # summarize history for loss


    plt.plot(history.history['loss'])

    plt.plot(history.history['val_loss'])

    plt.title('model loss')

    plt.ylabel('loss')

    plt.xlabel('epoch')

    plt.legend(['train', 'test'], loc='upper left')

    plt.show()

    -)Chạy:

    Bài 5:

    - Hình 1:
    o Từ biểu đồ về độ chính xác, bạn có thể thấy rằng mô hình có thể được đào tạo thêm một
    chút vì xu hướng về độ chính xác trên cả hai tập dữ liệu vẫn đang tăng lên trong vài kỷ
    nguyên gần đây. Bạn cũng có thể thấy rằng mô hình vẫn chưa học quá nhiều về tập dữ liệu
    huấn luyện, thể hiện kỹ năng tương đương trên cả hai tập dữ liệu.
    o Từ biểu đồ tổn thất, bạn có thể thấy rằng mô hình có hiệu suất tương đương trên cả tập
    dữ liệu huấn luyện và tập dữ liệu xác thực (kiểm tra được gắn nhãn). Nếu những âm mưu
    song song này bắt đầu khởi hành một cách nhất quán, đó có thể là dấu hiệu để ngừng đào
    tạo ở thời điểm sớm hơn.

    - Hình 1.1:
    o Sau khi thêm dropout vào thì tỉ lệ chính xác của biểu đồ cao hơn trên tập test. Nhưng tỉ
    lệ chính xác lại không bằng so với khi chưa thêm dropout.
    - Hình 2:
    o Sau khi thêm lớp vào độ chính xác lại tăng lên.
    - Hình 2.1:
    o Sau khi thêm dropout vào thì tỉ lệ chính xác của biểu đồ cao hơn trên tập test. Nhưng tỉ
    lệ chính xác lại không bằng so với khi chưa thêm dropout.

    You might also like