Python-sklearn模塊-神經網絡

• 導入模塊
• 加載數據集
• 拆分數據集
• 創建神經網絡模型
• 填充數據并訓練
• 評估模型
• 參數含義

導入模塊

from sklearn.datasets import load_iris
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split

加載數據集

iris_data = load_iris()

拆分數據集

X_train, X_test, y_train, y_test = train_test_split(iris_data[‘data’], iris_data[‘target’], test_size=0.25, random_state=1)
print(iris_data[‘data’])
print(iris_data[‘target’])

創建神經網絡模型

pf = MLPClassifier(solver=‘lbfgs’, hidden_layer_sizes=[9,7], random_state=0)

填充數據并訓練

pf.fit(X_train, y_train)

評估模型

score = pf.score(X_test, y_test)
print(score)
完整代碼

from sklearn.datasets import load_iris from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split iris_data = load_iris() X_train, X_test, y_train, y_test = train_test_split(iris_data['data'], iris_data['target'], test_size=0.25, random_state=1) print(iris_data['data']) print(iris_data['target']) pf = MLPClassifier(solver='lbfgs', hidden_layer_sizes=[9,7], random_state=0) pf.fit(X_train, y_train) score = pf.score(X_test, y_test) print(score)

參數含義

• train_data：待劃分樣本數據

• train_target：待劃分樣本數據的結果（標簽）

• test_size：測試數據占樣本數據的比例，若整數則樣本數量

• hidden_layer_sizes : 設置各隱層的結點數

• activation : {‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默認 ‘relu’,激活函數

  identity：f(x) = x
  logistic：f(x) = 1 / (1 + exp(-x))
  tanh：f(x) = tanh(x)
  relu：max(0, x)

• solver： {‘lbfgs’, ‘sgd’, ‘adam’}, 默認 ‘adam’，用來優化權重

  lbfgs：quasi-Newton方法的優化器
  sgd：隨機梯度下降
  adam： Kingma, Diederik, and Jimmy Ba提出的機遇隨機梯度的優化器
  注意：默認solver ‘adam’在相對較大的數據集上效果比較好（幾千個樣本或者更多）， 對小數據集來說，lbfgs收斂更快效果也更好

• alpha : float, optional, 默認0.0001，正則化參數，防止過擬合

• random_state：隨機數種子，決定隨機數生成，保證每次都是同一個隨機數，若為0或不填，則每次得到數據都不一樣

總結

以上是生活随笔為你收集整理的Python-sklearn模块-神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。