#调库三部曲 #1.导包 import numpy as np from sklearn.neural_network import MLPClassifier import sklearn.datasets as dts #2.给对象 data=dts.load_wine() #10.获取特征x x=data.data #11.获取标签y y=data.target np.random.seed(5) order=np.random.permutation(x.shape[0]) x=x[order] y=y[order] num=int((x.shape[0])*0.8) train_x,test_x=np.split(x,[num]) train_y,test_y=np.split(y,[num]) #声明模型,给对象 model=MLPClassifier(hidden_layer_sizes=(9,8),max_iter=100,alpha=0.1) #3.训练 model.fit(train_x,train_y) #测试集精度 print('测试集精度:',model.score(test_x,test_y)) #预测测试集 h=model.predict(test_x) print('预测测试集:\n',h) # 计算精度f1 f1=model.score(train_x, train_y) print('精度f1:',f1) #输出类别list print('类别list:',model.classes_) #当前的loss值 print('当前的loss值:',model.loss_) # list,权重项 print('list权重项:',model.coefs_) # list,偏置项 print('list偏置项:',model.intercepts_) #solver已经运行的迭代次数 print('solver已经运行的迭代次数:',model.n_iter_) # NN层数 print('NN层数:',model.n_layers_) # 输出个数 print('输出个数:',model.n_outputs_) print('输出激活函数的名字:',model.out_activation_)
神经网络load_wine()#调库
最新推荐文章于 2022-11-06 11:53:49 发布