导语
上次写了随机森林的基于sklearn库的大致实现步骤,这次我们来看看人工神经网络的实现步骤吧~
MLP就是多层感知器的意思,我们这里也是通过引入MLPClassifier来实现的。
步骤详解:
首先从sklearn中导入MLPC
导入待训练的数据集
通过调用MLPC训练器对训练集进行训练
利用训练集对测试数据进行测试
返回错误率
from sklearn.neural_network import MLPClassifier
x = [[0,0]
y = [0,1]
clf = MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(5,2),random_state=1)
clf.fit(X,y)
X1 = [[2,2],[-1,2]]
preY1 = clf.predict(X1)
以上代码从输入训练集,和输入测试集,最后给出了对测试集的预测。
那我们接下来解析一下MLPClassifier分类器的属性设定吧~
solver='lbfgs'
solver给的是神经网络的求解方法,lbfgs是其中一种求解方法,在数据比较小的时候表现较好。
adam这种方法则鲁棒性较强,
sgd则在参数调整较优的时候会有最佳表现。
本文代码来自于官网,思路是参考的各路大神的博客~