Привет! Это мой первый блог. Я надеюсь тебе понравится :)

Этот проект реализует нейронную сеть на табличных данных. Это называется Deep Astronomy (глубокое обучение астрономии). Практика во время обучения работает лучше всего для меня. Это был мой первый проект нейронной сети, и я получил довольно хорошую точность 93%.

Мы используем нейронную сеть, чтобы классифицировать, является ли галактика спиральной, эллиптической или неправильной/неопределенной.

Спиральные галактики выглядят так. Он имеет руки и имеет ориентацию. Вращается по часовой или против часовой стрелки.

Эллиптические галактики выглядят следующим образом: они имеют эллиптическую форму и диапазон эллиптичности от E0 до E7 (E0 — идеально круглая, а E7 — сильно вытянутая).

Неправильная/неопределенная галактика: у них нет определенной формы.

Этот блог требует понимания работы нейронных сетей и знания python (pandas, keras).

Набор данных: набор данных был взят из набора данных зоопарка Галактики http://galaxy-zoo-1.s3.amazonaws.com/GalaxyZoo1_DR_table2.csv.zip.

В качестве входных данных мы используем 10 параметров: NVOTE, P_EL, P_CW, P_ACW, P_EDGE, P_DK, P_MG, P_CS, P_EL_DEBIASED, P_CS_DEBIASED. Мы отбрасываем первые 3 столбца, так как они не влияют на результаты сети.

Результатом является одно горячее кодирование как СПИРАЛЬНОЕ, ЭЛЛИПТИЧЕСКОЕ и НЕОПРЕДЕЛЕННОЕ.

Мы заполняем пропущенные значения их средними значениями. Затем мы разделили их на обучающий набор (75%) и тестовый набор (25%). Затем мы используем стандартный скаляр, чтобы нормализовать значения и передать их в нейронную сеть.

Стандартный скаляр нормализует или стандартизирует значения таким образом, что они находятся в диапазоне от -1 до +1. Это упрощает вычисления в сети.

стандартизированное значение = (образец - среднее)/стандартное отклонение

Входной слой должен иметь 10 узлов, так как есть 10 входов (функций). Выходной слой должен иметь 3 узла, так как есть 3 выхода. Для начала два скрытых слоя могут иметь по 6 узлов каждый.

Функция активации для каждого слоя от входа до выхода: relu-relu-sigmoid

Оптимизатор - Адам и потеря -binary_crossentropy

Размер партии = 10, эпохи = 10

Полученная точность = 93%

Код можно найти здесь: https://github.com/deep-r/Galaxy-NN

Спасибо за чтение! :)