sklearn神經(jīng)網(wǎng)絡(luò)分類

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強大，在數(shù)據(jù)量足夠，隱藏層足夠多的情況下，理論上可以擬合出任何方程。

理論部分

sklearn提供的神經(jīng)網(wǎng)絡(luò)算法有三個:

neural_network.BernoulliRBM，neural_network.MLPClassifier，neural_network.MLPRgression

我們現(xiàn)在使用MLP(Multi-Layer Perception)做分類，回歸其實也類似。該網(wǎng)絡(luò)由三部分組成：輸入層、隱藏層、輸出層，其中隱藏層的個數(shù)可以人為設(shè)定。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之后的知識都存在每一層的權(quán)重矩陣中，學(xué)習(xí)的過程也就是不斷訓(xùn)練權(quán)重達(dá)到擬合的效果。權(quán)重訓(xùn)練比較常用的方法是反向傳遞(Backpropagation)

分類代碼

#coding=utf-8 import pandas as pd import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn import datasets from sklearn.neural_network import MLPClassifier import numpy as np from sklearn.preprocessing import StandardScalerdef main():iris = datasets.load_iris() #典型分類數(shù)據(jù)模型#這里我們數(shù)據(jù)統(tǒng)一用pandas處理data = pd.DataFrame(iris.data, columns=iris.feature_names)data['class'] = iris.target#這里只取兩類data = data[data['class']!=2]#為了可視化方便，這里取兩個屬性為例scaler = StandardScaler()X = data[['sepal length (cm)','sepal width (cm)']]scaler.fit(X)#標(biāo)準(zhǔn)化數(shù)據(jù)集X = scaler.transform(X)Y = data[['class']]#劃分?jǐn)?shù)據(jù)集X_train, X_test, Y_train, Y_test =train_test_split(X, Y)mpl = MLPClassifier(solver='lbfgs',activation='logistic')mpl.fit(X_train, Y_train)print 'Score:\n',mpl.score(X_test, Y_test) #score是指分類的正確率#區(qū)域劃分h = 0.02x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))Z = mpl.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)#做出原來的散點圖class1_x = X[Y['class']==0,0]class1_y = X[Y['class']==0,1]l1 = plt.scatter(class1_x,class1_y,color='b',label=iris.target_names[0])class2_x = X[Y['class']==1,0]class2_y = X[Y['class']==1,1]l2 = plt.scatter(class2_x,class2_y,color='r',label=iris.target_names[1])class3_x = X[Y['class']==2,0]class3_y = X[Y['class']==2,1]l3 = plt.scatter(class3_x,class3_y,color='g',label=iris.target_names[2])plt.legend(handles = [l1, l2,l3], loc = 'best')plt.grid(True)plt.show()if __name__ == '__main__':main()

測試結(jié)果

轉(zhuǎn)載于:https://www.cnblogs.com/fanghao/p/7533385.html

總結(jié)

以上是生活随笔為你收集整理的sklearn神经网络分类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。