Sklearn中的深度学习基础算法-神经网络MLP

最新推荐文章于 2025-03-04 13:32:49 发布

Zen of Data Analysis

最新推荐文章于 2025-03-04 13:32:49 发布

阅读量6.2k

点赞数 7

分类专栏：机器学习算法文章标签：深度学习算法神经网络 python

本文链接：https://blog.csdn.net/gracejpw/article/details/103198598

版权

本文介绍了Sklearn库中的MLPClassifier类，虽然Sklearn不专门用于深度学习，但该类提供了构建神经网络的基础。重点讨论了隐藏层和神经元的重要参数hidden_layer_sizes，它决定了神经网络的结构。文章还提到了模型建立、数据导入、交叉验证得分以及hidden_layer_sizes参数的使用方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

sklearn是专注于机器学习的库，它在神经网络的模块中特地标注：sklearn不是用于深度学习的平台，因此这个神经网络不具备做深度学习的功能，也不具备处理大型数据的能力，所以神经网络在sklearn中颇有被冷落的意思。原理讲解也非常简单，并没有详细的描述。但是使用神经网络的类还是有很多参数，写法详细。
在这里插入图片描述

以多层感知机为基础的类：MLPClassifier-神经网络分类器

class sklearn.neural_network.MLPClassifier (hidden_layer_sizes=(100, ), activation=’relu’,
solver=’adam’, alpha=0.0001, batch_size=’auto’, learning_rate=’constant’, learning_rate_init=0.001,
power_t=0.5, max_iter=200, shuffle=True, random_state=None, tol=0.0001, verbose=False,
warm_start=False, momentum=0.9, nesterovs_momentum=True, early_stopping=False,
validation_fraction=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08, n_iter_no_change=10)

隐藏层与神经元：重要参数hidden_layer_sizes

神经网络算法中要考虑的第一件事情就是我们的隐藏层的结构，如果不设定结构，神经网络本身甚至无法构建，因此这是一个超参数。
参数含义
hidden_layer_sizes
元组，长度= n_layers - 2，默认值(100, )
元祖中包含多少个元素，就表示设定多少隐藏层
元祖中的第i个元素表示第i个隐藏层中的神经元数量
先来建立一个神经网络吧。

导入需要的数据和库，导入数据集

import numpy as np
from sklearn.neural_network import MLPClassifier as DNN
from sklearn.metrics import accuracy_score
from sklearn.model_selection import cross_val_score as cv
import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier as DTC
from sklearn.model_selection import train_test_split as TTS
from time import time
import datetime
data = load_breast_cancer()
X = data.data
y = data.target
Xtrain, Xtest, Ytrain, Ytest = TTS(X,y,test_size=0.3,random_state=420)

建模，使用交叉验证导出分数

times = time()
dnn = DNN(hidden_layer_sizes=(100,),max_iter=500,random_state=420)
print(cv(dnn,X,y,cv=

最低0.47元/天解锁文章