本文探讨了使用sklearn进行手写体识别时，train_test_split参数stratify的重要性和影响，神经元个数、迭代次数及学习率对模型性能的效应。通过实验发现，stratify能保持数据平衡，神经元数量增加可提高评分但增加计算量，迭代次数需足够确保模型收敛，而学习率选择需兼顾收敛速度和准确性。
sklearn 手写体识别
采取sklearn自带的手写体数据集
train_test_split 数据划分时参数设置
stratify 保证了训练集与测试集的数据的类型（或者可以说是数据的成分）一致，也是按比例划分的。
这点非常关键，就像你训练时全部都是数学题，上考场考的是语文题，这不是白训练么。
这个参数对于我模型的提升非常大，最大为0.2，可以跑到0.99
from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
iris = load_digits()
x = iris['data']
y = iris['target']
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2,stratify=y)
clf = MLPClassifier()
clf.fit(x_train, y_train)
result = clf.score(x_test, y_test)
print("使用默认参数时")
print("模型评分:%10f"%result)
使用默认参数时 模型评分: 0.955556
神经元个数影响分析
调整神经元个数，看看对于模型有何影响。 因为数据的长度是64，所以我对神经元个数的调整是以64为基数做缩放的
clf = MLPClassifier(hidden_layer_size
最低0.47元/天 解锁文章
1455
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
