Age Group Multi-Class Classification using Neural Network

Tento projekt zahŕňa vybudovanie a tréning neurónovej siete na klasifikáciu vekových skupín na základe údajov o zákazníkoch. Projekt využíva PyTorch na vytváranie modelov a školenia a zahŕňa funkcie predspracovania údajov, vyhodnocovania modelov a predikcie.

Obsah

• Prehľad projektu
• Požiadavky
• Údaje
• Model
• Tréning
• Hodnotenie
• Predikcie
• Použitie
• Licencia

Prehľad projektu

Cieľom tohto projektu je klasifikovať vekové skupiny zákazníkov do vopred definovaných kategórií:

• Youth (<25)
• Young Adults (25-34)
• Adults (35-64)
• Seniors (64+)

Zahŕňa:

• Predspracovanie a kódovanie údajov
• Definícia architektúry neurónovej siete
• Trenovani a hodnotenie modelu
• Predpovedanie nových údajov

Požiadavky

• Python 3.x
• PyTorch
• Pandy
• NumPy
• Matplotlib
• Scikit-učte sa

Požadované balíčky môžete nainštalovať pomocou pip:

pip install pochodeň pandy numpy matplotlib scikit-learn

Údaje

Súbor údajov použitý v tomto projekte obsahuje nasledujúce stĺpce:

Customer_Age, Customer_Gender, Country, State, Product_Category, Order_Quantity, Profit, Revenue.

Model

Architektúra neurónovej siete

Model neurónovej siete AgeGroupNN je definovaný s nasledujúcimi vrstvami:

Vstupná vrstva, Dve skryté vrstvy s normalizáciou a dropout, Výstupná vrstva so 4 neuronmi zodpovedajúcimi vekovým skupinám.

class AgeGroupNN(nn.Module):
    def __init__(self, in_features=8, hl1=80, hl2=60, hl3=20, out_features=4):
        super(AgeGroupNN, self).__init__()
        self.fc1 = nn.Linear(in_features, hl1)
        self.fc3 = nn.Linear(hl1, hl2)
        self.bn3 = nn.BatchNorm1d(hl2)
        self.dropout3 = nn.Dropout(0.2)
        self.fc4 = nn.Linear(hl2, hl3)
        self.bn4 = nn.BatchNorm1d(hl3)
        self.dropout4 = nn.Dropout(0.1)
        self.fc5 = nn.Linear(hl3, out_features)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.bn3(self.fc3(x)))
        x = self.dropout3(x)  # (zakomentované) aplikácia dropout
        x = torch.relu(self.bn4(self.fc4(x)))
        x = self.dropout4(x)
        x = self.fc5(x)
        return x

Tréning

Tréningový proces

Tréningový proces zahŕňa:

Tréning modelu pre určený počet epoch, Implementácia early stoping, aby sa zabránilo nadmernému overfitting, Sledovanie strát a presností treningu a hodnotenia.

def train_and_evaluate(
    model,
    train_loader,
    test_loader,
    criterion, 
    optimizer, 
    num_epochs = 100,
    patience: int = 10,
    device='cuda' if torch.cuda.is_available() else 'cpu'
):
    # Training code here

Hodnotenie

Metriky hodnotenia

Výkonnosť modelu sa hodnotí pomocou metrík straty a presnosti pre tréningové aj validacne súbory údajov. Výsledky sú vizualizované pomocou matplotlib.

def plot_results(train_losses, train_accuracies, val_losses, val_accuracies):
    # Plotting code here

Predpoveď

Funkcia predpovedania

Funkcia predict_age_group vám umožňuje predpovedať nové údaje.

def predict_age_group(model, input_data, scaler, ordinal_encoder):
    # Prediction code here

Predikcie

Môžete vygenerovať náhodné vzorové údaje na testovanie funkcie predikcie.

def generate_input_data():
    # Data generation code here

Použitie

1. Generovanie vstupných údajov:

input_data = generate_input_data()

2. Predikcie:

predictions = predict_age_group(model, input_data, scaler, ordinal_encoder)

3. Vizualizujte výsledky:

plot_results(train_losses, train_accuracies, val_losses, val_accuracies)

Licencia

Tento projekt je licencovaný pod licenciou MIT – podrobnosti nájdete v súbore LICENCIA.