TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras实现逻辑回归
锋哥原创的TensorFlow2 Python深度学习视频教程：
https://www.bilibili.com/video/BV1X5xVz6E4w/
课程介绍
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras实现逻辑回归
在 TensorFlow 2 中使用 Keras 实现逻辑回归是非常简单的。逻辑回归可以看作是一个二分类问题，Keras 提供了非常方便的接口来搭建模型。
逻辑回归虽然名字中有"回归"，但实际上是一种用于二分类问题的线性模型。它通过sigmoid函数将线性输出映射到[0,1]区间，表示属于正类的概率。
下面是使用 TensorFlow 2 和 Keras 实现逻辑回归的示例，使用乳腺癌数据集进行训练和测试。我们将使用 sklearn.datasets.load_breast_cancer 来加载乳腺癌数据集，并使用 Keras 构建一个简单的逻辑回归模型来对其进行分类。
1，乳腺癌数据集介绍
该数据集共有 569 个样本，每个样本有 30 个特征。这些特征是乳腺肿瘤的细胞核属性的量化值，例如半径、纹理、周长、面积、光滑度等。特征数据是通过显微镜分析细胞样本获取的。
特征
每个样本由 30 个特征组成，这些特征描述了肿瘤细胞的几何形状、纹理、面积等。特征的详细描述如下：
-
半径（radius）: 肿瘤的半径大小
-
纹理（texture）: 肿瘤表面的纹理粗糙度
-
周长（perimeter）: 肿瘤的外周长
-
面积（area）: 肿瘤的表面积
-
平滑度（smoothness）: 细胞核边缘的平滑度
-
其他的特征还包括紧凑度、对称性、均匀性等。
类别标签
目标变量（即标签）只有两个类别：
-
恶性肿瘤（Malignant，标记为 0）
-
良性肿瘤（Benign，标记为 1）
数据集的特点
-
样本数：569个样本
-
特征数：30个特征（所有特征都是数字型）
-
类别数：2（良性或恶性）
-
数据分布：在 569 个样本中，357 个为良性肿瘤，212 个为恶性肿瘤。
2，Keras实例
import tensorflow as tf
from keras import Input, layers
from sklearn.datasets import load_breast_cancer
# 1,加载乳腺癌数据集
data = load_breast_cancer()
X = data.data
y = data.target
print(X, y)
print(data.feature_names)
print(X.shape, y.shape)
# 2,构建逻辑回归模型
model = tf.keras.models.Sequential([Input(shape=(X.shape[1],)),layers.Dense(1, activation='sigmoid') # 使用sigmoid激活函数
])
# 3,模型编译
model.compile(optimizer='adam',loss='binary_crossentropy', # 损失函数 二分类交叉熵metrics=['accuracy'] # 评估指标 accuracy准确率
)
# 4,模型训练
history = model.fit(X, y, epochs=100, batch_size=32, validation_split=0.2, verbose=1)
print(type(history))
print(f"最终准确率: {history.history['accuracy'][-1]:.4f}")运行结果：
3，训练历史History
keras.src.callbacks.History 对象是 Keras 中用于存储模型训练过程中各项指标历史的类，通常作为 fit() 函数的返回值。通过 History 对象，你可以访问训练过程中各个 epoch 的训练和验证指标，包括损失、精度、学习率等。
使用场景：
在模型训练过程中，History 对象会记录每个 epoch 结束时的训练和验证指标。你可以利用这些数据进行后续分析或可视化，帮助你了解模型的学习过程。
主要功能：
-
存储训练过程中的历史数据：
History对象包含了每个 epoch 的训练和验证损失（loss）、精度（accuracy）等指标。 -
获取历史数据： 通过
history.history属性，你可以访问包含训练过程中的所有指标的字典。 -
方便的可视化： 你可以直接利用
History对象中的数据来绘制损失曲线、准确率曲线等图表，从而分析模型的训练情况。
属性：
-
history
：一个字典，存储每个 epoch 中的训练和验证指标。例如：
-
'loss': 训练过程中的损失值。 -
'accuracy': 训练过程中的准确率。 -
'val_loss': 验证集上的损失值（如果有验证集的话）。 -
'val_accuracy': 验证集上的准确率（如果有验证集的话）。
-
我们可以通过matplotlib来看下损失值的可视化图表：
from matplotlib import pyplot as plt
history.history.keys()
plt.plot(history.epoch, history.history['loss'], label='loss')
也可以看下准确率图表：
plt.plot(history.epoch, history.history['accuracy'], label='accuracy')