Python-sklearn模块-神经网络

导入模块

from sklearn.datasets import load_iris
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split

加载数据集

iris_data = load_iris()

拆分数据集

X_train, X_test, y_train, y_test = train_test_split(iris_data[‘data’], iris_data[‘target’], test_size=0.25, random_state=1)
print(iris_data[‘data’])
print(iris_data[‘target’])

创建神经网络模型

pf = MLPClassifier(solver=‘lbfgs’, hidden_layer_sizes=[9,7], random_state=0)

填充数据并训练

pf.fit(X_train, y_train)

评估模型

score = pf.score(X_test, y_test)
print(score)
完整代码

from sklearn.datasets import load_iris
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
iris_data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris_data['data'], iris_data['target'], test_size=0.25, random_state=1)
print(iris_data['data'])
print(iris_data['target'])
pf = MLPClassifier(solver='lbfgs', hidden_layer_sizes=[9,7], random_state=0)
pf.fit(X_train, y_train)
score = pf.score(X_test, y_test)
print(score)

参数含义

• train_data：待划分样本数据

• train_target：待划分样本数据的结果（标签）

• test_size：测试数据占样本数据的比例，若整数则样本数量

• hidden_layer_sizes : 设置各隐层的结点数

• activation : {‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默认 ‘relu’,激活函数

  identity：f(x) = x
  logistic：f(x) = 1 / (1 + exp(-x))
  tanh：f(x) = tanh(x)
  relu：max(0, x)

• 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

• alpha : float, optional, 默认0.0001，正则化参数，防止过拟合

• random_state：随机数种子，决定随机数生成，保证每次都是同一个随机数，若为0或不填，则每次得到数据都不一样