Lære Neuralt Netværk med scikit-learn | Neuralt Netværk fra Bunden

At arbejde med neurale netværk kan være ret udfordrende, især hvis du forsøger at bygge dem fra bunden. I stedet for manuelt at kode algoritmer og formler, kan du benytte færdiglavede værktøjer såsom sklearn-biblioteket.

Fordele ved at bruge sklearn

Brugervenlighed: du behøver ikke at fordybe dig i detaljerne for hver algoritme. Du kan blot anvende færdiglavede metoder og klasser;
Optimering: sklearn-biblioteket er optimeret for ydeevne, hvilket kan reducere træningstiden for din model;
Omfattende dokumentation: sklearn tilbyder omfattende dokumentation med eksempler på anvendelse, hvilket kan fremskynde læringsprocessen betydeligt;
Kompatibilitet: sklearn integrerer godt med andre populære Python-biblioteker såsom numpy, pandas og matplotlib.

Perceptron i sklearn

For at oprette den samme model som i dette afsnit, kan du bruge MLPClassifier-klassen fra sklearn-biblioteket. Dens vigtigste parametre er følgende:

max_iter: definerer det maksimale antal epoker for træning;
hidden_layer_sizes: angiver antallet af neuroner i hvert skjult lag som en tuple;
learning_rate_init: angiver indlæringsraten for vægtopdateringer.

Bemærk

Som standard bruger MLPClassifier ReLU aktiveringsfunktionen for skjulte lag. For binær klassifikation er output-laget stort set det samme som det, du implementerede.

For eksempel kan du med én enkelt linje kode oprette en perceptron med to skjulte lag med 10 neuroner i hvert, hvor der maksimalt bruges 100 epoker til træning og en læringsrate på 0.5:

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(max_iter=100, hidden_layer_sizes=(10,10), learning_rate_init=0.5)

Bemærk

Neurale netværk i sklearn bestemmer antallet af input og output baseret på de data, de trænes på. Derfor er det ikke nødvendigt at angive dem manuelt.

Som med vores implementering indebærer træning af modellen blot at kalde fit()-metoden:

model.fit(X_train, y_train)

For at få de forudsagte etiketter (f.eks. på testdatasættet), skal du blot kalde predict()-metoden:

y_pred = model.predict(X_test)

Opgave

Swipe to start coding

Målet er at genskabe, træne og evaluere en perceptronmodel ved hjælp af scikit-learn-biblioteket, med samme struktur som den tidligere egenimplementerede model.

Følg disse trin nøje:

Initialiser perceptronen med MLPClassifier-klassen:
- Angiv antallet af trænings-epoker til 100 med max_iter=100;

Brug to skjulte lag, hver med 6 neuroner (hidden_layer_sizes=(6, 6));
Sæt læringsraten til 0.01 med learning_rate_init=0.01;
Tilføj random_state=10 for reproducerbarhed.

Træn modellen på træningsdatasættet med .fit()-metoden.
Opnå forudsigelser for alle eksempler i testdatasættet med .predict()-metoden.
Evaluer ydeevnen ved at beregne modellens nøjagtighed på testdatasættet med funktionen accuracy_score().

Løsning

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 13

single

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 4

Stryg for at vise menuen

Fordele ved at bruge sklearn

Brugervenlighed: du behøver ikke at fordybe dig i detaljerne for hver algoritme. Du kan blot anvende færdiglavede metoder og klasser;
Optimering: sklearn-biblioteket er optimeret for ydeevne, hvilket kan reducere træningstiden for din model;
Omfattende dokumentation: sklearn tilbyder omfattende dokumentation med eksempler på anvendelse, hvilket kan fremskynde læringsprocessen betydeligt;
Kompatibilitet: sklearn integrerer godt med andre populære Python-biblioteker såsom numpy, pandas og matplotlib.

Perceptron i sklearn

For at oprette den samme model som i dette afsnit, kan du bruge MLPClassifier-klassen fra sklearn-biblioteket. Dens vigtigste parametre er følgende:

max_iter: definerer det maksimale antal epoker for træning;
hidden_layer_sizes: angiver antallet af neuroner i hvert skjult lag som en tuple;
learning_rate_init: angiver indlæringsraten for vægtopdateringer.

Bemærk

Som standard bruger MLPClassifier ReLU aktiveringsfunktionen for skjulte lag. For binær klassifikation er output-laget stort set det samme som det, du implementerede.

For eksempel kan du med én enkelt linje kode oprette en perceptron med to skjulte lag med 10 neuroner i hvert, hvor der maksimalt bruges 100 epoker til træning og en læringsrate på 0.5:

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(max_iter=100, hidden_layer_sizes=(10,10), learning_rate_init=0.5)

Bemærk

Neurale netværk i sklearn bestemmer antallet af input og output baseret på de data, de trænes på. Derfor er det ikke nødvendigt at angive dem manuelt.

Som med vores implementering indebærer træning af modellen blot at kalde fit()-metoden:

model.fit(X_train, y_train)

For at få de forudsagte etiketter (f.eks. på testdatasættet), skal du blot kalde predict()-metoden:

y_pred = model.predict(X_test)

Opgave

Swipe to start coding

Målet er at genskabe, træne og evaluere en perceptronmodel ved hjælp af scikit-learn-biblioteket, med samme struktur som den tidligere egenimplementerede model.

Følg disse trin nøje:

Initialiser perceptronen med MLPClassifier-klassen:
- Angiv antallet af trænings-epoker til 100 med max_iter=100;

Brug to skjulte lag, hver med 6 neuroner (hidden_layer_sizes=(6, 6));
Sæt læringsraten til 0.01 med learning_rate_init=0.01;
Tilføj random_state=10 for reproducerbarhed.

Træn modellen på træningsdatasættet med .fit()-metoden.
Opnå forudsigelser for alle eksempler i testdatasættet med .predict()-metoden.
Evaluer ydeevnen ved at beregne modellens nøjagtighed på testdatasættet med funktionen accuracy_score().

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 13

single