Apprendre Réseau de Neurones avec scikit-learn | Réseau de Neurones à Partir de Zéro

Travailler avec des réseaux de neurones peut s’avérer complexe, surtout lorsque l’on tente de les construire à partir de zéro. Au lieu de coder manuellement les algorithmes et formules, il est possible d’utiliser des outils prêts à l’emploi tels que la bibliothèque sklearn.

Avantages de l’utilisation de sklearn

Facilité d’utilisation : il n’est pas nécessaire d’approfondir les détails de chaque algorithme. Il suffit d’utiliser des méthodes et classes prêtes à l’emploi ;
Optimisation : la bibliothèque sklearn est optimisée pour la performance, ce qui peut réduire le temps d’entraînement du modèle ;
Documentation complète : sklearn propose une documentation détaillée avec des exemples d’utilisation, ce qui accélère considérablement l’apprentissage ;
Compatibilité : sklearn s’intègre facilement avec d’autres bibliothèques Python populaires telles que numpy, pandas et matplotlib.

Perceptron dans sklearn

Pour créer le même modèle que dans cette section, il est possible d’utiliser la classe MLPClassifier de la bibliothèque sklearn. Ses principaux paramètres sont les suivants :

max_iter : définit le nombre maximal d’époques pour l’entraînement ;
hidden_layer_sizes : spécifie le nombre de neurones dans chaque couche cachée sous forme de tuple ;
learning_rate_init : définit le taux d’apprentissage pour la mise à jour des poids.

Remarque

Par défaut, MLPClassifier utilise la fonction d’activation ReLU pour les couches cachées. Pour la classification binaire, la couche de sortie est essentiellement identique à celle que vous avez implémentée.

Par exemple, avec une seule ligne de code, il est possible de créer un perceptron avec deux couches cachées de 10 neurones chacune, en utilisant au maximum 100 époques pour l’entraînement et un taux d’apprentissage de 0.5 :

from sklearn.neural_network import MLPClassifier

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

Remarque

Les réseaux de neurones dans sklearn déterminent le nombre d’entrées et de sorties en fonction des données sur lesquelles ils sont entraînés. Il n’est donc pas nécessaire de les définir manuellement.

Comme pour notre implémentation, l'entraînement du modèle consiste simplement à appeler la méthode fit() :

model.fit(X_train, y_train)

Pour obtenir les étiquettes prédites (par exemple, sur l'ensemble de test), il suffit d'appeler la méthode predict() :

y_pred = model.predict(X_test)

Tâche

Swipe to start coding

Votre objectif est de créer, d'entraîner et d'évaluer un perceptron avec la même structure que celui que vous avez précédemment implémenté, mais en utilisant la bibliothèque sklearn :

Initialiser un perceptron avec 100 époques d'entraînement, deux couches cachées de 6 neurones chacune, et un taux d'apprentissage de 0.01 (définir les paramètres dans cet ordre exact).
Entraîner le modèle sur les données d'entraînement.
Obtenir les prédictions sur l'ensemble de test.
Calculer la précision du modèle sur l'ensemble de test.

Solution

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 13

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Awesome!

Completion rate improved to 4

Glissez pour afficher le menu

Avantages de l’utilisation de sklearn

Facilité d’utilisation : il n’est pas nécessaire d’approfondir les détails de chaque algorithme. Il suffit d’utiliser des méthodes et classes prêtes à l’emploi ;
Optimisation : la bibliothèque sklearn est optimisée pour la performance, ce qui peut réduire le temps d’entraînement du modèle ;
Documentation complète : sklearn propose une documentation détaillée avec des exemples d’utilisation, ce qui accélère considérablement l’apprentissage ;
Compatibilité : sklearn s’intègre facilement avec d’autres bibliothèques Python populaires telles que numpy, pandas et matplotlib.

Perceptron dans sklearn

Pour créer le même modèle que dans cette section, il est possible d’utiliser la classe MLPClassifier de la bibliothèque sklearn. Ses principaux paramètres sont les suivants :

max_iter : définit le nombre maximal d’époques pour l’entraînement ;
hidden_layer_sizes : spécifie le nombre de neurones dans chaque couche cachée sous forme de tuple ;
learning_rate_init : définit le taux d’apprentissage pour la mise à jour des poids.

Remarque

from sklearn.neural_network import MLPClassifier

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

Remarque

Comme pour notre implémentation, l'entraînement du modèle consiste simplement à appeler la méthode fit() :

model.fit(X_train, y_train)

Pour obtenir les étiquettes prédites (par exemple, sur l'ensemble de test), il suffit d'appeler la méthode predict() :

y_pred = model.predict(X_test)

Tâche

Swipe to start coding

Votre objectif est de créer, d'entraîner et d'évaluer un perceptron avec la même structure que celui que vous avez précédemment implémenté, mais en utilisant la bibliothèque sklearn :

Initialiser un perceptron avec 100 époques d'entraînement, deux couches cachées de 6 neurones chacune, et un taux d'apprentissage de 0.01 (définir les paramètres dans cet ordre exact).
Entraîner le modèle sur les données d'entraînement.
Obtenir les prédictions sur l'ensemble de test.
Calculer la précision du modèle sur l'ensemble de test.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 13

single