Machine learning 基于数据集的TensorFlow分类

我需要在项目中使用TensorFlow，根据项目属性将项目分类到某个类（1、2或3）

唯一的问题是，我在网上找到的几乎所有TF教程或示例都是关于图像识别或文本分类的。我找不到任何关于基于数字的分类的信息。我想我要问的是从哪里开始。如果有人知道一个相关的例子，或者如果我只是想这个完全错误的

我们为每个项目提供了13个属性，需要使用TF神经网络对每个项目进行正确分类（或标记误差范围）。但网上没有任何东西向我展示如何从这种数据集开始

数据集示例：（第一个值是类，其他值是属性）

---

假设您有一个文件data.txt中的数据。您可以使用Numpy阅读以下内容：

import numpy as np
xy = np.loadtxt('data.txt', unpack=True, dtype='float32')
x_data = xy[1:]
y_data = xy[0];

更多信息：

也许，您可能需要“np.transpose”，这取决于权重和操作的形状

x_data = np.transpose(xy[1:])

然后，使用“占位符”和“提要”来训练/测试您的模型：

X = tf.placeholder("float", ...
Y = tf.placeholder("float", ...
....
with tf.Session() as sess:
....
       sess.run(optimizer, feed_dict={X:x_data, Y:y_data})

---

对于这类问题，TensorFlow有一个深入的教程 或者在数据科学方面

如果你想开始寻找视频，我想sentdex的泰坦尼克号数据集教程 虽然他使用k方法进行分类，但您正在寻找的是什么 （事实上，我认为他的整个深度学习/机器学习播放列表从一开始就很棒）
你可以找到它

否则如果你找基本的怎么开始

第一个前置词：

首先尝试将数据分离为类标签和输入（pandas lib应该能够帮助您实现这一点）

将类标签放入一个热数组中

然后将数据标准化：

看起来不同的数据属性的范围大不相同，请确保它们都在0到1之间的相同范围内

构建您的模型：

X = tf.placeholder("float", ...
Y = tf.placeholder("float", ...
....
with tf.Session() as sess:
....
       sess.run(optimizer, feed_dict={X:x_data, Y:y_data})

一个简单的完全连接的网络应该可以做到这一点 请记住，将输出层设置为与您拥有的类数相同的大小

在最终层的输出上使用argmax函数来决定模型认为哪个类是非convnet中正确的分类

（如TF的基本mnist示例中），图像实际上只是一个数字列表，因此可以将其作为起点。