tf-kickstart

titanic.py

import numpy as np
import tflearn

# Функция препроцессинга
def preprocess(data, columns_to_ignore):
    # Сортируем по id по убыванию и выпилиываем колонки
    for id in sorted(columns_to_ignore, reverse=True):
        [r.pop(id) for r in data]
    for i in range(len(data)):
        data[i][1] = 1. if data[i][1] == 'female' else 0.
    return np.array(data, dtype=np.float32)

# Загрузим набор даных для нашего кейса
from tflearn.datasets import titanic
titanic.download_dataset('titanic_dataset.csv')

# Прочитаем CSV, после этого обозначим
# что верхние строки (заголовки таблицы) это метки

from tflearn.data_utils import load_csv
data, labels = load_csv('titanic_dataset.csv', target_column=0,
                        categorical_labels=True, n_classes=2)

# Игнорируем колонки 'name' и 'ticket'
to_ignore = [1,6]

# Препроцессим данные
data = preprocess(data, to_ignore)


# Строим нейросеть
net = tflearn.input_data(shape=[None, 6])
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 2, activation='softmax')
net = tflearn.regression(net)

# Определим модель
model = tflearn.DNN(net)
# Обучим
model.fit(data, labels, n_epoch=10, batch_size=16, show_metric=True)

# Создадим кастомных данных
dicaprio = [3, 'Jack Dawson', 'male', 19, 0, 0, 'N/A', 5.0000]
winslet = [1, 'Rose DeWitt Bukater', 'female', 17, 1, 2, 'N/A', 100.0000]
# Запрепроцессим
dicaprio, winslet = preprocess([dicaprio, winslet], to_ignore)
# Предскажем шансы на выживание
pred = model.predict([dicaprio, winslet])
print("DiCaprio Surviving Rate:", pred[0][1])
print("Winslet Surviving Rate:", pred[1][1])