基于 sklearn 的多层感知机 Python 实现与可视化

声明：本文作为自己的学习笔记，欢迎大家于本人学习交流，转载请注明出处
本文参考

作者：周志华书名：《机器学习》出版社：清华大学出版社>
https://www.lagou.com/lgeduarticle/3162.html

感谢此文章和书籍原创者
如果本文有侵犯您的知识产权和版权问题，请通知本人，本人会立即做出处理并删除文章

电子邮件：louhergetup@163.com >

实验环境

• 操作系统：win7 64
• 软件环境：Anaconda3 (64-bit)
• 编程语言：Python 3.7

关于感知机的原理，大家可以参考我的另一篇博客西瓜书神经网络公式详细推导

在本文的可视化部分参考了另一篇文章https://www.lagou.com/lgeduarticle/3162.html

话不多说，接下来直接上代码

多层感知机分类实现

from sklearn.neural_network import MLPClassifier
import matplotlib.pyplot as plt

print(__doc__)

import numpy as np
import pandas as pd
#UTF-8编码格式csv文件数据读取
df = pd.read_csv('data.csv',encoding = 'latin-1') 
df.columns=["column1","column2","column3"]

X = df[["column1","column2"]] #抽取前两列作为训练数据
X = np.array(X) #将dataframe转化成array
print (X)
y1 = df["sf"] #抽取第三列作为标签label
y = np.array(y1) #将dataframe转化成array
print (y)

# 将训练集合测试集以10000为界限进行分割
X_train, X_test = X[:10000], X[10000:]
y_train, y_test = y[:10000], y[10000:]

mlp = MLPClassifier(hidden_layer_sizes=(100,), max_iter=500, alpha=1e-4,
                    solver='sgd', verbose=10, tol=1e-4, random_state=1,
                    learning_rate_init=.1)

mlp.fit(X_train, y_train)
print("Training set score: %f" % mlp.score(X_train, y_train))
print("Test set score: %f" % mlp.score(X_test, y_test))

分类结果可视化实现

from matplotlib.colors import ListedColormap

#定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000','#00FF00','#0000FF'])

#分别用样本的两个特征值创建图像和横轴和纵轴
x_min,x_max = X_train[:, 0].min() - 1,X_train[:, 0].max() + 1
y_min,y_max = X_train[:, 1].min() - 1,X_train[:, 1].max() + 1

xx,yy = np.meshgrid(np.arange(x_min,x_max, .02),np.arange(y_min,y_max, .02))
Z = mlp.predict(np.c_[xx.ravel(),yy.ravel()])

#给每个分类中的样本分配不同的颜色
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx, yy, Z, cmap=cmap_light)

#用散点图把样本表示出来
plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.title("titke")
plt.xlabel('xlabel')
plt.ylabel('ylabel')
plt.show()