调用方法:
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)
参数说明:
1.hidden_layer_sizes:
第i个元素表示第i个隐藏层的神经元的个数;
例如hidden_layer_sizes=(50,50),表示有两层隐藏层,第一层隐藏层有50个神经元,第二层有50个神经元;
2.activation:
激活函数
{‘identity’,'logistic','tanh','relu'},默认‘relu‘;
- 'identity':
- 'logistic':sigmod函数
- 'tanh':
- 'relu':
3.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(几千个样本或更多),对小数据集来说,lbfgs收敛更快效果也更好。
4.alpha:
float,可选的,默认0.0001,正则化项参数;
5.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);
6.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;
- 'invscaling':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=learing_rate_init/pow(t,power_t)
- 'adaptive':只要训练损耗下降,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;
7.max_iter:
int,可选,默认200,最大迭代次数;
8.random_state:
int 或RandomState,可选,默认None,随机数生成器的状态或种子;
9.Shuffle:
bool,可选,默认True,只有当solver='sgd'或'adam'时使用,判断是否在每次迭代时对样本进行清洗;
10.tol:
float,可选,默认1e-4,优化的容忍度;
11.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;
12.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;
13.verbose:
bool,optional,default False,是否将过程打印到stdout;
14.warm_stat:
bool,optional,default False,当设置成True,使用之前的解决方法作为初始你喝,否则释放之前的解决方法;
15.momentum:
float,default 0.9,Momentum(动量) for gradient descent update.should be between 0 and 1.Only used when solver='sgd';
16.nesterovs_momentum:
boolean,default True, Whether to use Nesterov's momentum.Only used when solver='sgd' and momentum>0;
17.early_stopping:
bool,default False,Only effective when solver='sgd' or 'adam',判断当前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迭代改善低于tol时终止训练;
18.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游泳;
19.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;
20.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;
21.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
out_activation_:输出激活函数的名称
方法说明:
fit(X,y):拟合
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