复习日：
回顾神经网络的相关信息
1. 梯度下降的思想
梯度下降的本质是一种迭代优化算法，用于寻找函数的极小值点（比如损失函数的最小值）其关键的要素如下
- 梯度：函数在某点变化率最大方向
- 学习率：每一步的“步长”，用以控制更新幅度
- 迭代更新：设参数为
，损失函数为
,则更新公式为：
,沿着梯度的反方向更新参数，是损失不断减少
2. 激活函数的作用
若神经网络仅由线性层组成，本质就是线性变换的叠加，只能你和线性关系，无法解决非线性问题（比如图像识别、自然语言处理），因此使用激活函数为神经网络引入非线性表达能力，能找你和更为复杂的数据分布。常见的激活函数有：ReLU、Sigmoid、Tanh等等。
3. 损失函数的作用
损失函数（Loss Function）是衡量模型预测值与真实值之间差异函数，用于量化模型的“错误程度”。常见的损失函数有
回归任务
- 均方误差、平均绝对误差
分类任务
- 交叉熵损失
- 稀疏交叉熵
4. 优化器
优化器是控制模型参数更新策略的组件，负责根据损失函数的梯度调整参数，以最小化损失。可以这样理解：梯度下降是“下山的方向”，优化器则是“调整步长和路线的策略”。
常见的优化器有SDG、Adam等等。
5. 神经网络的概念
神经网络是一种模仿生物神经元结构的计算模型，由多层神经元相互连接，用于自动提取数据特征并完成预测任务。
基本组成：
- 神经元（Neuron）：接受输入信号，进行线性变换和非线性激活，输出结果
- 层（Layer）：
- 输入层：接收原始数据（如图片像素值），不参与计算。
- 隐藏层：介于输入层和输出层之间，负责特征提取（层数和神经元数量决定模型复杂度）。
- 输出层：产生最终结果（如分类概率、回归值），激活函数根据任务选择（如分类用 Softmax，回归用线性激活）
- 连接权重（Weight）和偏置（Bias）：
- 权重：控制信号传递的 “强度”，通过训练学习得到
- 偏置：允许激活函数平移，增加模型灵活性
神经网络的工作流程：
- 前向传播（Forward Propagation）：输入数据经各层线性变换 + 激活函数，逐层传递至输出层，得到预测值。
- 损失计算：用损失函数衡量预测值与真实值的差异。
- 反向传播（Backpropagation）：从输出层向输入层反向传递梯度，利用链式法则计算各层参数的梯度，指导优化器更新参数。
典型的神经网络类型：全连接神经网络（Fully Connected NN）、卷积神经网络（CNN）、循环神经网络（RNN）、Transformer
针对之前的信贷项目，利用神经网络训练下，用到目前的知识点让代码更加规范和美观。
# 导包
import pandas as pd #用于数据处理和分析，可处理表格数据。
import numpy as np #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt #用于绘制各种类型的图表
import seaborn as sns #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
import warnings
warnings.filterwarnings("ignore")
# 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
data = pd.read_csv('data.csv') #读取数据
#数据预处理
# 先筛选字符串变量
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {
'Own Home': 1,
'Rent': 2,
'Have Mortgage': 3,
'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)
# Years in current job 标签编码
years_in_job_mapping = {
'< 1 year': 1,
'1 year': 2,
'2 years': 3,
'3 years': 4,
'4 years': 5,
'5 years': 6,
'6 years': 7,
'7 years': 8,
'8 years': 9,
'9 years': 10,
'10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)
# Purpose 独热编码，记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
for i in data.columns:
if i not in data2.columns:
list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:
data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名
# Term 0 - 1 映射
term_mapping = {
'Short Term': 0,
'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist() #把筛选出来的列名转换成列表
# 连续特征用中位数补全
for feature in continuous_features:
mode_value = data[feature].mode()[0] #获取该列的众数。
data[feature].fillna(mode_value, inplace=True) #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。
data.drop(columns=['Id'], inplace=True) # 删除 Loan ID 列
# 分离特征数据和标签数据
X = data.drop(['Credit Default'], axis=1) # 特征数据
y = data['Credit Default'] # 标签数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test) # 确保训练集和测试集是相同的缩放
X_train = torch.FloatTensor(X_train).to(device)
y_train = torch.LongTensor(y_train.values).to(device)
X_test = torch.FloatTensor(X_test).to(device)
y_test = torch.LongTensor(y_test.values).to(device)
class MLP(nn.Module):
def __init__(self):
super(MLP, self).__init__()
self.fc1 = nn.Linear(30, 64) # 增加第一层神经元数量
self.relu = nn.ReLU()
self.dropout = nn.Dropout(0.3) # 添加Dropout防止过拟合
self.fc2 = nn.Linear(64, 32)
self.relu = nn.ReLU()
self.fc3 = nn.Linear(32, 2) # 减少隐藏层数，保持输出层不变
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.dropout(out) # 应用Dropout
out = self.fc2(out)
out = self.relu(out)
out = self.fc3(out)
return out
# 实例化模型并移至GPU
model = MLP().to(device)
# 分类问题使用交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 使用随机梯度下降优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
num_epochs = 20000 # 训练的轮数
# 用于存储每200个epoch的损失值和对应的epoch数
losses = []
epochs = []
start_time = time.time() # 记录开始时间
# 创建tqdm进度条
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:
# 训练模型
for epoch in range(num_epochs):
# 前向传播
outputs = model(X_train) # 隐式调用forward函数
loss = criterion(outputs, y_train)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 记录损失值并更新进度条
if (epoch + 1) % 200 == 0:
losses.append(loss.item())
epochs.append(epoch + 1)
# 更新进度条的描述信息
pbar.set_postfix({'Loss': f'{loss.item():.4f}'})
# 每1000个epoch更新一次进度条
if (epoch + 1) % 1000 == 0:
pbar.update(1000) # 更新进度条
# 确保进度条达到100%
if pbar.n < num_epochs:
pbar.update(num_epochs - pbar.n) # 计算剩余的进度并更新
time_all = time.time() - start_time # 计算训练时间
print(f'Training time: {time_all:.2f} seconds')
# 绘制损失曲线
plt.figure(figsize=(10, 6))
plt.plot(epochs, losses, 'r-', linewidth=2)
plt.title('Training Loss over Epochs')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.grid(True)
plt.show()
# # 在测试集上评估模型
# model.eval() # 设置模型为评估模式
# with torch.no_grad(): # 禁用梯度计算
# outputs = model(X_test) # 对测试数据进行前向传播
# _, predicted = torch.max(outputs, 1) # 获取预测结果
# correct = (predicted == y_test).sum().item() # 计算预测正确的样本数
# accuracy = correct / y_test.size(0)
# print(f'测试集准确率: {accuracy * 100:.2f}%')
尝试进入nn.Module中，查看他的方法：
可以查看官方文档module
或者使用 Python 内置函数：
import torch.nn as nn
# 查看nn.Module的所有属性和方法
print(dir(nn.Module))
# 获取某个方法的详细帮助信息
# 例如查看forward方法
help(nn.Module.forward)创建自己的神经网络模块时，需要继承nn.Module类，并且可以重写或使用其中的方法。
import torch
import torch.nn as nn
class MyNetwork(nn.Module):
def __init__(self):
super().__init__()
# 定义网络层
self.fc1 = nn.Linear(10, 20)
self.fc2 = nn.Linear(20, 1)
def forward(self, x):
# 定义前向传播过程
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return x
# 创建模型实例
model = MyNetwork()
# 使用nn.Module的方法
print(model.parameters()) # 返回模型参数的迭代器
print(model.state_dict()) # 返回模型的状态字典在这个例子中，MyNetwork类继承了nn.Module，并且可以使用nn.Module的所有方法，像parameters()、state_dict()等。