我有一个有效的神经网络循环,因此我可以使用隐藏层(“nodes_list”)中预定数量的节点来运行神经网络。然后,我计算每个节点数的 ROC 曲线下的面积,并将其放入列表(“roc_outcomes”)中以进行绘图。但是,我想将此循环循环 5 次,以获得三个模型中每个模型的 ROC 曲线下的平均面积(模型 1:隐藏层中的 20 个节点,模型 2:隐藏层中的 28 个节点,模型 3:38隐藏层中的节点)。当我只在一个模型上尝试时,这种方法效果很好,但是当我迭代多个模型而不是迭代模型 1 5 次,然后模型 2 5 次,然后模型 3 5 次......它迭代模型1,然后是模型 2,然后是模型 3,如此进行 5 次。 这个嵌套循环的目的是让我迭代每个神经网络模型 5 次,将每次迭代的 ROC 曲线下的面积放入一个列表中,计算该列表的平均值,并将平均值放入一个新列表中。最终,我想要一个包含三个数字的列表(每个模型 1 个),它们是该模型 5 次迭代的 ROC 曲线下的平均面积。希望我能很好地解释这一点。请要求任何澄清。
这是我的代码:
nodes_list = [20, 28, 38] # list with number of nodes in hidden layer per model
roc_outcomes = [] # list of ROC AUC
for i in np.arange(1,6):
for nodes in nodes_list:
# Add first layer
model.add(Dense(units=n_cols, activation='relu', input_shape=(n_cols,)))
# Add hidden layer
model.add(Dense(units=nodes, activation='relu'))
# Add output layer
model.add(Dense(units=2, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
# Fit model
model.fit(X, y, validation_split=0.33, epochs=epochs, callbacks=early_stopping_monitor, verbose=True)
# Get predicted probabilities
pred_prob = model.predict_proba(X)[:,1]
# Calculate area under the curve (logit_roc_auc)
logit_roc_auc = roc_auc_score(y[:,1], pred_prob)
# Append roc scores to the roc_outcomes list
roc_outcomes.append(logit_roc_auc)
# Get the mean of that list
mean_roc = np.mean(roc_outcomes)
# Append to another list
mean_roc_outcomes = []
mean_roc_outcomes.append(mean_roc)
最佳答案
像这样构建循环:
for nodes in node_list:
for i in range(0,5):
#do your stuff
示例:
myList = ['a', 'b', 'c']
for item in myList:
for i in range(0,5):
print(item, end=", ")
输出:
a, a, a, a, a, b, b, b, b, b, c, c, c, c, c,
关于python - python中神经网络循环的多次迭代,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51845056/