第R3周：RNN-心脏病预测(Tensorflow实现)

🍨 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

语言环境：Python3.8
编译器：Jupyter Lab
深度学习环境：
- tensorflow==2.18.0+cuda

[1. 前期准备](#1. 前期准备)

1.1设置GPU

[1.2 导入数据](#1.2 导入数据)

[1.3 检查数据](#1.3 检查数据)

[2. 数据预处理](#2. 数据预处理)

[2.1 划分训练集与测试集](#2.1 划分训练集与测试集)

[2.2 标准化](#2.2 标准化)

[3. 构建RNN模型](#3. 构建RNN模型)

[4. 编译模型](#4. 编译模型)

[5. 训练模型](#5. 训练模型)

[6. 评估模型](#6. 评估模型)

1. 前期准备

1.1设置GPU

python 复制代码

import tensorflow   as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus

1.2 导入数据

python 复制代码

import pandas as pd
import numpy as np

df = pd.read_csv("heart.csv")
df

1.3 检查数据

python 复制代码

# 检查是否有空值
df.isnull().sum()

2. 数据预处理

2.1 划分训练集与测试集

python 复制代码

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X = df.iloc[:,:-1]
y = df.iloc[:,-1]
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.1,random_state = 1)
X_train.shape,y_train.shape

2.2 标准化

python 复制代码

# 将每一列特征值标准化为正太分布，注意，标准化是针对每一列而言的
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.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)

3. 构建RNN模型

python 复制代码

import tensorflow 
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = 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()

4. 编译模型

python 复制代码

opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss = 'binary_crossentropy',
             optimizer=opt,
             metrics="accuracy")

5. 训练模型

python 复制代码

epochs = 100

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

6. 评估模型

python 复制代码

import matplotlib.pyplot as plt

acc = 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=(12, 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()

python 复制代码

scores = model.evaluate(X_test,y_test,verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1],scores[1]*100))

总结：

从上图结果中我们可以看出：

左图：训练与验证准确率

训练集的准确率（蓝色线）：随着训练次数增加，呈现出平稳上升趋势，最终接近0.92左右，说明模型在训练数据上的拟合效果逐渐变好。

验证集的准确率（橙色线）：一开始随着训练迭代次数增加，验证准确率也在提升，但在约25次迭代后，准确率趋于平稳，甚至有一些波动，特别在60次之后，表现出明显的下降和上升不稳定现象。

右图：训练与验证损失

训练集损失（蓝色线）：损失随着迭代次数逐渐下降，这表明模型在训练集上不断优化，误差减少。

验证集损失（橙色线）：最开始也在下降，但在大约20次迭代后开始变得平缓，甚至损失值开始回弹。这与验证集准确率下降的现象一致，暗示模型在验证集上的表现没有持续改进。