Neuronales Netzwerk mit Scikit-Learn
Die Arbeit mit neuronalen Netzen kann ziemlich anspruchsvoll sein, insbesondere wenn sie von Grund auf erstellt werden. Anstatt Algorithmen und Formeln manuell zu programmieren, können Sie vorgefertigte Werkzeuge wie die Bibliothek sklearn verwenden.
Vorteile der Verwendung von sklearn
-
Benutzerfreundlichkeit: Es ist nicht erforderlich, sich tiefgehend mit den Details jedes Algorithmus zu beschäftigen. Vorgefertigte Methoden und Klassen können direkt genutzt werden;
-
Optimierung: Die Bibliothek
sklearnist auf Leistung optimiert, was die Trainingszeit des Modells verkürzen kann; -
Umfangreiche Dokumentation:
sklearnbietet eine umfassende Dokumentation mit Anwendungsbeispielen, was den Lernprozess erheblich beschleunigen kann; -
Kompatibilität:
sklearnlässt sich gut mit anderen bekannten Python-Bibliotheken wienumpy,pandasundmatplotlibintegrieren.
Perzeptron in sklearn
Um dasselbe 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.
Standardmäßig verwendet der MLPClassifier die ReLU-Aktivierungsfunktion für versteckte Schichten. Für binäre Klassifikation entspricht die Ausgabe-Schicht im Wesentlichen der von Ihnen implementierten.
Beispielsweise kann mit nur einer 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)
Neuronale Netze in sklearn bestimmen die Anzahl der Eingaben und Ausgaben basierend auf den Trainingsdaten. Daher ist keine manuelle Festlegung erforderlich.
Wie bei unserer eigenen 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)
Swipe to start coding
Das Ziel besteht darin, ein Perzeptron-Modell mithilfe der scikit-learn-Bibliothek nachzubilden, zu trainieren und zu evaluieren, wobei die gleiche Struktur wie bei der zuvor erstellten eigenen Implementierung verwendet wird.
Gehen Sie dabei wie folgt vor:
- Initialisierung des Perzeptrons mit der Klasse
MLPClassifier:
- Setzen Sie die Anzahl der Trainingsepochen auf
100mitmax_iter=100; - Verwenden Sie zwei versteckte Schichten mit jeweils
6Neuronen (hidden_layer_sizes=(6, 6)); - Setzen Sie die Lernrate auf
0.01mitlearning_rate_init=0.01; - Fügen Sie
random_state=10für Reproduzierbarkeit hinzu.
- Trainieren Sie das Modell mit der Trainingsdatenmenge mittels der
.fit()-Methode. - Erhalten Sie Vorhersagen für alle Beispiele im Testdatensatz mit der
.predict()-Methode. - Bewerten Sie die Leistung, indem Sie die Genauigkeit des Modells auf dem Testdatensatz mit der Funktion
accuracy_score()berechnen.
Lösung
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 4Neuronales Netzwerk mit Scikit-Learn
Swipe um das Menü anzuzeigen
Die Arbeit mit neuronalen Netzen kann ziemlich anspruchsvoll sein, insbesondere wenn sie von Grund auf erstellt werden. Anstatt Algorithmen und Formeln manuell zu programmieren, können Sie vorgefertigte Werkzeuge wie die Bibliothek sklearn verwenden.
Vorteile der Verwendung von sklearn
-
Benutzerfreundlichkeit: Es ist nicht erforderlich, sich tiefgehend mit den Details jedes Algorithmus zu beschäftigen. Vorgefertigte Methoden und Klassen können direkt genutzt werden;
-
Optimierung: Die Bibliothek
sklearnist auf Leistung optimiert, was die Trainingszeit des Modells verkürzen kann; -
Umfangreiche Dokumentation:
sklearnbietet eine umfassende Dokumentation mit Anwendungsbeispielen, was den Lernprozess erheblich beschleunigen kann; -
Kompatibilität:
sklearnlässt sich gut mit anderen bekannten Python-Bibliotheken wienumpy,pandasundmatplotlibintegrieren.
Perzeptron in sklearn
Um dasselbe 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.
Standardmäßig verwendet der MLPClassifier die ReLU-Aktivierungsfunktion für versteckte Schichten. Für binäre Klassifikation entspricht die Ausgabe-Schicht im Wesentlichen der von Ihnen implementierten.
Beispielsweise kann mit nur einer 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)
Neuronale Netze in sklearn bestimmen die Anzahl der Eingaben und Ausgaben basierend auf den Trainingsdaten. Daher ist keine manuelle Festlegung erforderlich.
Wie bei unserer eigenen 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)
Swipe to start coding
Das Ziel besteht darin, ein Perzeptron-Modell mithilfe der scikit-learn-Bibliothek nachzubilden, zu trainieren und zu evaluieren, wobei die gleiche Struktur wie bei der zuvor erstellten eigenen Implementierung verwendet wird.
Gehen Sie dabei wie folgt vor:
- Initialisierung des Perzeptrons mit der Klasse
MLPClassifier:
- Setzen Sie die Anzahl der Trainingsepochen auf
100mitmax_iter=100; - Verwenden Sie zwei versteckte Schichten mit jeweils
6Neuronen (hidden_layer_sizes=(6, 6)); - Setzen Sie die Lernrate auf
0.01mitlearning_rate_init=0.01; - Fügen Sie
random_state=10für Reproduzierbarkeit hinzu.
- Trainieren Sie das Modell mit der Trainingsdatenmenge mittels der
.fit()-Methode. - Erhalten Sie Vorhersagen für alle Beispiele im Testdatensatz mit der
.predict()-Methode. - Bewerten Sie die Leistung, indem Sie die Genauigkeit des Modells auf dem Testdatensatz mit der Funktion
accuracy_score()berechnen.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
single
