Блог

Я пытался получить неглубокую нейронную сеть, используя рак молочной железы pandas, и я продолжаю получать эту ошибку, я был бы очень признателен, если кто-нибудь может сказать, что на самом деле не так и как это исправить.

 File "D:UsersUSUARIODesktopuna carpeta para los oasda proyectosEx_Files_Python_EssTExercise Filesbasic_hands_on.py", line 55, in predict
    np.array(WT, dtype=np.float32)
ValueError: could not convert string to float: 'W' 
  

Я попытался преобразовать значение W в моем словаре в float32, потому что мне нужно, чтобы оно фактически обрабатывало уравнение в функции прогнозирования, но я продолжаю получать, что тип «W» является строкой, несмотря на то, что print([W]) дает мне матрицу.

это мой код для контекста

 import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer

def initialiseNetwork(num_features):
  W = np.zeros((num_features, 1))
  b = 0
  parameters = {"W": W, "b": b}
  return parameters
def sigmoid(z):
  a = 1/(1   np.exp(-z))
  return a
def forwardPropagation(X, parameters):
  W = parameters["W"]
  b =  parameters["b"]
  Z = np.dot(W.T,X)   b
  A = sigmoid(Z)
  return A

def cost(A, Y, num_samples):
  cost = -1/num_samples *np.sum(Y*np.log(A)   (1-Y)*(np.log(1-A)))
  return cost
def backPropagration(X, Y, A, num_samples):

  dZ = A - Y

  dW = (np.dot(X,dZ.T))/num_samples

  db = np.sum(dZ)/num_samples

  return dW, db
def updateParameters(parameters, dW, db, learning_rate):

  W = parameters["W"] - (learning_rate * dW)

  b = parameters["b"] - (learning_rate * db)

  return {"W": W, "b": b}

def model(X, Y, num_iter, learning_rate):
  num_features = X.shape[0]
  num_samples = (X.shape[1])
  print(num_samples)
  parameters = initialiseNetwork(num_features)
  for i in range(num_iter):
    A = forwardPropagation(X, parameters)
    if(i%100 == 0):
      print("cost after {} iteration: {}".format(i, cost(A, Y, num_samples)))
    dW, db = backPropagration(X, Y, A, num_samples)
    parameters = updateParameters(parameters, dW, db, learning_rate)
  return parameters
def predict(W, b, X):
  WT = np.transpose(["W"])
  np.array(WT, dtype=np.float32)
  np.array(WT,dtype=float)
  Z = np.dot(WT,X)   b
  Y = np.array([1 if y > 0.5 else 0 for y in sigmoid(Z[0])]).reshape(1,len(Z[0]))
  return Y
(X_cancer, y_cancer) = load_breast_cancer(return_X_y = True)
X_train, X_test, y_train, y_test = train_test_split(X_cancer, y_cancer,
                                                   random_state = 25)
def normalize(data):
  col_max = np.max(data, axis = 0)
  col_min = np.min(data, axis = 0)
  return np.divide(data - col_min, col_max - col_min)
X_train_n = normalize(X_train)
X_test_n = normalize(X_test)
X_trainT = X_train_n.T
X_testT = X_test_n.T
y_trainT = y_train.reshape(1, (X_trainT.shape[1]))
y_testT = y_test.reshape(1, (X_testT.shape[1]))
parameters = model(X_trainT, y_trainT, 4000, 0.75)
print(parameters)
print(X_trainT)
yPredTrain = predict(['W'], ['b'], X_trainT)   # pass weigths and bias from parameters dictionary and X_trainT as input to the function
yPredTest = predict(['W'], ['b'], X_testT)  # pass the same parameters but X_testT as input data
accuracy_train = 100 - np.mean(np.abs(yPredTrain - y_trainT)) * 100
accuracy_test = 100 - np.mean(np.abs(yPredTest - y_testT)) * 100
print("train accuracy: {} %".format(accuracy_train))
print("test accuracy: {} %".format(accuracy_test))
with open("Output.txt", "w") as text_file:
  text_file.write("train= %fn" % accuracy_train)
  text_file.write("test= %f" % accuracy_test)```
  

Я собирался ругать вас за то, что вы не показали нам, где возникла проблема. Но потом я случайно сопоставил сообщение об ошибке с

 def predict(W, b, X):
   WT = np.transpose(["W"])
   np.array(WT, dtype=np.float32)
   ...
  

Конечно, это привело бы к этой ошибке. Массив с символом «W» в нем, конечно, не может быть превращен в число с плавающей точкой.

Вы используете predict(['W'] несколько мест, но это не одно из них.

Вот где, похоже, возникает проблема:

 WT = np.transpose(["W"])
np.array(WT, dtype=np.float32)
  

Это создает массив с "W" в нем. Не переменная W , а буквальный символ "W" . Я думаю, что вы имели в виду ввести:

 WT = np.transpose([W])
  

Аналогично, когда вы вызываете predict() , я предполагаю, что вы хотели передать, parameters["W"] а не "W" . Помните, "W" это просто символ, это не то же самое, что переменная с именем W

В вашем наборе данных есть столбец со значениями ‘W’. Вы можете удалить или удалить этот столбец с помощью следующего кода:

dataset_name = dataset_name.drop(columns=["column_name"],axis = 1)