神经网络与深度学习：案例与实践------第三章（3）------基于Softmax回归完成鸢尾花分类任务
实践流程主要包括以下7个步骤：数据处理、模型构建、损失函数定义、优化器构建、模型训练、模型评价和模型预测等，
①数据处理：根据网络接收的数据格式，完成相应的预处理操作，保证模型正常读取；
②模型构建：定义Softmax回归模型类；
③训练配置：训练相关的一些配置，如：优化算法、评价指标等；
④组装Runner类：Runner用于管理模型训练和测试过程；
⑤模型训练和测试：利用Runner进行模型训练、评价和测试。
该实践的主要配置如下：
数据：Iris数据集；
模型：Softmax回归模型；
损失函数：交叉熵损失；
优化器：梯度下降法；
评价指标：准确率。
一、数据处理
1、数据集介绍
Iris数据集，也称为鸢尾花数据集，包含了3种鸢尾花类别（Setosa、Versicolour、Virginica），每种类别有50个样本，共计150个样本。其中每个样本中包含了4个属性：花萼长度、花萼宽度、花瓣长度以及花瓣宽度，本实验通过鸢尾花这4个属性来判断该样本的类别。
2、数据清洗
①缺失值分析
对数据集中的缺失值或异常值等情况进行分析和处理，保证数据可以被模型正常读取。代码实现如下：
from sklearn.datasets import load_iris
import pandas
import numpy as np
# 2、缺失值分析
#load_iris().data：获取Iris数据集的特征（花萼长度、宽度等，共4个特征）。
# load_iris().target：获取标签（0、1、2分别对应三种鸢尾花）。
iris_features = np.array(load_iris().data, dtype=np.float32)
iris_labels = np.array(load_iris().target, dtype=np.int32)
#pandas.isna()：检查数据中的缺失值（NaN），返回布尔矩阵。
# .sum()：统计每列（特征或标签）的缺失值数量。
print(pandas.isna(iris_features).sum())
print(pandas.isna(iris_labels).sum())②异常值处理
通过箱线图直观的显示数据分布，并观测数据中的异常值。
箱线图查看异常值分布
def boxplot(features):
# 为四个特征指定可读的名称
feature_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
# 连续画几个图片
#大小5 * 5，分辨率为200
plt.figure(figsize=(5, 5), dpi=200)
# 子图调整
# 子图之间的水平间距，避免重叠
plt.subplots_adjust(wspace=0.6)
# 每个特征画一个箱线图
for i in range(4):
# 画布分为2行2列，依次在第i+1个位置绘制子图
plt.subplot(2, 2, i+1)
# 画箱线图
plt.boxplot(features[:, i], #选择第i个特征的所有样本数据
showmeans=True, # 显示均值，（绿色三角）
#：设置线图的样式（颜色，线宽，虚线）
whiskerprops={"color":"#E20079", "linewidth":0.4, 'linestyle':"--"},
# 设置异常点（离群值）的样式（点大小）
flierprops={"markersize":0.4},
# ： 设置均值标记的大小
meanprops={"markersize":1})
# 图名
plt.title(feature_names[i], fontdict={"size":5}, pad=2)
# y方向刻度
plt.yticks(fontsize=4, rotation=90)
plt.tick_params(pad=0.5)
# x方向刻度，隐藏
plt.xticks([])
plt.savefig('ml-vis.pdf')
plt.show()
boxplot(iris_features)箱线图如下：
借助箱线图的解读：
3、 数据读取
本实验中将数据集划分为了三个部分：
训练集：用于确定模型参数；
验证集：与训练集独立的样本集合，用于使用提前停止策略选择最优模型；
测试集：用于估计应用效果（没有在模型中应用过的数据，更贴近模型在真实场景应用的效果）。
在本实验中，将80%的数据用于模型训练，10%的数据用于模型验证，10%的数据用于模型测试。代码实现如下：
import copy
import paddle
# 加载数据集
def load_data(shuffle=True):
"""
加载鸢尾花数据
输入：
- shuffle：是否打乱数据，数据类型为bool
输出：
- X：特征数据，shape=[150,4]
- y：标签数据, shape=[150]
"""
# 加载原始数据
X = np.array(load_iris().data, dtype=np.float32)
y = np.array(load_iris().target, dtype=np.int32)
X = paddle.to_tensor(X)
y = paddle.to_tensor(y)
# 数据归一化
#每个特征值线性缩放到【0，1】
#归一化后所有特征在同一尺度（0~1），避免模型被数值较大的特征主导。
#axis=0 表示对每列（每个特征）单独计算最小值和最大值。
X_min = paddle.min(X, axis=0)
X_max = paddle.max(X, axis=0)
#对每个特征值减去最小值后除以极差（X_max - X_min）。
X = (X-X_min) / (X_max-X_min)
# 如果shuffle为True，随机打乱数据
if shuffle:
idx = paddle.randperm(X.shape[0])
X = X[idx]
y = y[idx]
return X, y
# 固定随机种子
paddle.seed(102)
num_train = 120
num_dev = 15
num_test = 15
X, y = load_data(shuffle=True)
print("X shape: ", X.shape, "y shape: ", y.shape)
X_train, y_train = X[:num_train], y[:num_train]
X_dev, y_dev = X[num_train:num_train + num_dev], y[num_train:num_train + num_dev]
X_test, y_test = X[num_train + num_dev:], y[num_train + num_dev:]
# 打印X_train和y_train的维度
print("X_train shape: ", X_train.shape, "y_train shape: ", y_train.shape)
# 打印前5个数据的标签
print(y_train[:5])二、模型构建
使用Softmax回归模型进行鸢尾花分类实验，将模型的输入维度定义为4，输出维度定义为3。代码实现如下：
之前的softmax，model_SR等方法都在之前的softmax多类别分类中有了，不再赘述。
from nndl import op
# 输入维度
input_dim = 4
# 类别数
output_dim = 3
# 实例化模型
model = op.model_SR(input_dim=input_dim, output_dim=output_dim)三、模型训练
实例化RunnerV2类，使用训练集和验证集进行模型训练，共训练80个epoch，其中每隔10个epoch打印训练集上的指标，并且保存准确率最高的模型作为最佳模型。代码实现如下：
from nndl import op, metric, opitimizer, RunnerV2
# 学习率
lr = 0.2
# 梯度下降法
optimizer = opitimizer.SimpleBatchGD(init_lr=lr, model=model)
# 交叉熵损失
loss_fn = op.MultiCrossEntropyLoss()
# 准确率
metric = metric.accuracy
# 实例化RunnerV2
runner = RunnerV2(model, optimizer, metric, loss_fn)
# 启动训练
runner.train([X_train, y_train], [X_dev, y_dev], num_epochs=200, log_epochs=10, save_path="best_model.pdparams")可视化观察训练集与验证集的准确率变化情况。
from nndl import plot
plot(runner,fig_name='linear-acc3.pdf')
模型评价
使用测试数据对在训练过程中保存的最佳模型进行评价，观察模型在测试集上的准确率情况。代码实现如下：
# 加载最优模型
runner.load_model('best_model.pdparams')
# 模型评价
score, loss = runner.evaluate([X_test, y_test])
print("[Test] score/loss: {:.4f}/{:.4f}".format(score, loss))模型预测
使用保存好的模型，对测试集中的数据进行模型预测，并取出1条数据观察模型效果。
# 预测测试集数据
logits = runner.predict(X_test)
# 观察其中一条样本的预测结果
pred = paddle.argmax(logits[0]).numpy()
# 获取该样本概率最大的类别
label = y_test[0].numpy()
# 输出真实类别与预测类别
print("The true category is {} and the predicted category is {}".format(label[0], pred[0]))