sklearn 神经网络 MLPClassifier 参数详解

转载自  http://blog.csdn.net/haiyu94/article/details/53001726

参数说明： 

1.  hidden_layer_sizes  :元祖格式，长度=n_layers-2, 默认(100，），第i个元素表示第i个隐藏层的神经元的个数。 
2.  activation  :{‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默认‘relu 
- ‘identity’： no-op activation, useful to implement linear bottleneck， 
返回f(x) = x 
- ‘logistic’：the logistic sigmoid function, returns f(x) = 1 / (1 + exp(-x)). 
- ‘tanh’：the hyperbolic tan function, returns f(x) = tanh(x). 
- ‘relu’：the rectified linear unit function, returns f(x) = max(0, x) 
4.  solver ： {‘lbfgs’, ‘sgd’, ‘adam’}, 默认 ‘adam’，用来优化权重 
- lbfgs：quasi-Newton方法的优化器 
- sgd：随机梯度下降 
- adam： Kingma, Diederik, and Jimmy Ba提出的机遇随机梯度的优化器 
注意：默认solver ‘adam’在相对较大的数据集上效果比较好（几千个样本或者更多），对小数据集来说，lbfgs收敛更快效果也更好。 
5.  alpha  :float,可选的，默认0.0001,正则化项参数 
6.  batch_size  : int , 可选的，默认‘auto’,随机优化的minibatches的大小，如果solver是‘lbfgs’，分类器将不使用minibatch，当设置成‘auto’，batch_size=min(200,n_samples) 
7.  learning_rate  :{‘constant’，‘invscaling’, ‘adaptive’},默认‘constant’，用于权重更新，只有当solver为’sgd‘时使用 
- ‘constant’: 有‘learning_rate_init’给定的恒定学习率 
- ‘incscaling’：随着时间t使用’power_t’的逆标度指数不断降低学习率 learning_rate_  ，effective_learning_rate = learning_rate_init / pow(t, power_t) 
- ‘adaptive’：只要训练损耗在下降，就保持学习率为’learning_rate_init’不变，当连续两次不能降低训练损耗或验证分数停止升高至少 tol 时，将当前学习率除以5. 
8.  max_iter : int，可选，默认200，最大迭代次数。 
9.  random_state :int 或RandomState，可选，默认None，随机数生成器的状态或种子。 
10.  shuffle : bool，可选，默认True,只有当solver=’sgd’或者‘adam’时使用，判断是否在每次迭代时对样本进行清洗。 
11.  tol ：float, 可选，默认1e-4，优化的容忍度 
12.  learning_rate_int :double,可选，默认0.001，初始学习率，控制更新权重的补偿，只有当solver=’sgd’ 或’adam’时使用。 
13.  power_t : double, optional, default 0.5，只有solver=’sgd’时使用，是逆扩展学习率的指数.当learning_rate=’invscaling’，用来更新有效学习率。 
14.  verbose  : bool, optional, default False,是否将过程打印到stdout 
15.  warm_start  : bool, optional, default False,当设置成True，使用之前的解决方法作为初始拟合，否则释放之前的解决方法。 
16.  momentum  : float, default 0.9,Momentum(动量） for gradient descent update. Should be between 0 and 1. Only used when solver=’sgd’. 
17.  nesterovs_momentum  : boolean, default True, Whether to use Nesterov’s momentum. Only used when solver=’sgd’ and momentum > 0. 
18.  early_stopping  : bool, default False,Only effective when solver=’sgd’ or ‘adam’,判断当验证效果不再改善的时候是否终止训练，当为True时，自动选出10%的训练数据用于验证并在两步连续爹迭代改善低于tol时终止训练。 
19.  validation_fraction  : float, optional, default 0.1,用作早期停止验证的预留训练数据集的比例，早0-1之间，只当early_stopping=True有用 
20. beta_1 : float, optional, default 0.9，Only used when solver=’adam’，估计一阶矩向量的指数衰减速率，[0,1)之间 
21.  beta_2  : float, optional, default 0.999,Only used when solver=’adam’估计二阶矩向量的指数衰减速率[0,1)之间 
22.  epsilon  : float, optional, default 1e-8,Only used when solver=’adam’数值稳定值。 
属性说明： 
-  classes_ :每个输出的类标签 
-  loss_ :损失函数计算出来的当前损失值 
-  coefs_ :列表中的第i个元素表示i层的权重矩阵 
-  intercepts_ :列表中第i个元素代表i+1层的偏差向量 
-  n_iter_  ：迭代次数 
-  n_layers_ :层数 
-  n_outputs_ :输出的个数 
-  out_activation_ :输出激活函数的名称。 
方法说明： 
-  fit(X,y) :拟合 
-  get_params([deep]) :获取参数 
-  predict(X) :使用MLP进行预测 
-  predic_log_proba(X) :返回对数概率估计 
-  predic_proba(X) ：概率估计 
-  score(X,y[,sample_weight]) :返回给定测试数据和标签上的平均准确度 
- set_params(**params) :设置参数。