Die Arbeit mit neuronalen Netzen kann recht anspruchsvoll sein, insbesondere wenn diese von Grund auf erstellt werden. Anstatt Algorithmen und Formeln manuell zu programmieren, können vorgefertigte Werkzeuge wie die Bibliothek sklearn verwendet werden.

Vorteile der Verwendung von sklearn

1. Benutzerfreundlichkeit: Es ist nicht erforderlich, sich tiefgehend mit den Details jedes Algorithmus zu beschäftigen. Vorgefertigte Methoden und Klassen können direkt genutzt werden;

2. Optimierung: Die Bibliothek sklearn ist auf Leistung optimiert, was die Trainingszeit des Modells verkürzen kann;

3. Umfangreiche Dokumentation: sklearn bietet eine umfassende Dokumentation mit Anwendungsbeispielen, was den Lernprozess erheblich beschleunigen kann;

4. Kompatibilität: sklearn lässt sich gut mit anderen bekannten Python-Bibliotheken wie numpy, pandas und matplotlib integrieren.

Perzeptron in sklearn

Um das gleiche Modell wie in diesem Abschnitt zu erstellen, kann die Klasse MLPClassifier aus der Bibliothek sklearn verwendet werden. Die wichtigsten Parameter sind:

• max_iter: Legt die maximale Anzahl an Epochen für das Training fest;
• hidden_layer_sizes: Gibt die Anzahl der Neuronen in jeder versteckten Schicht als Tupel an;
• learning_rate_init: Setzt die Lernrate für die Gewichtsanpassungen.

Beispielsweise kann mit einer einzigen Codezeile ein Perzeptron mit zwei versteckten Schichten mit jeweils 10 Neuronen erstellt werden, wobei maximal 100 Epochen für das Training und eine Lernrate von 0.5 verwendet werden:

from sklearn.neural_network import MLPClassifier

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

Wie bei unserer Implementierung besteht das Trainieren des Modells einfach darin, die Methode fit() aufzurufen:

model.fit(X_train, y_train)

Um die vorhergesagten Labels zu erhalten (z. B. für den Testdatensatz), genügt es, die Methode predict() aufzurufen:

y_pred = model.predict(X_test)