Lavorare con le reti neurali può essere piuttosto complesso, soprattutto se si cerca di costruirle da zero. Invece di programmare manualmente algoritmi e formule, è possibile utilizzare strumenti già pronti come la libreria sklearn.

Vantaggi dell'utilizzo di sklearn

1. Facilità d'uso: non è necessario approfondire i dettagli di ogni algoritmo. Si possono semplicemente utilizzare metodi e classi già pronti;

2. Ottimizzazione: la libreria sklearn è ottimizzata per le prestazioni, il che può ridurre il tempo di addestramento del modello;

3. Documentazione estesa: sklearn offre una documentazione completa con esempi di utilizzo, che può velocizzare notevolmente il processo di apprendimento;

4. Compatibilità: sklearn si integra bene con altre librerie Python popolari come numpy, pandas e matplotlib.

Percettrone in sklearn

Per creare lo stesso modello presentato in questa sezione, è possibile utilizzare la classe MLPClassifier della libreria sklearn. I suoi parametri principali sono i seguenti:

• max_iter: definisce il numero massimo di epoche per l'addestramento;
• hidden_layer_sizes: specifica il numero di neuroni in ciascun livello nascosto come tupla;
• learning_rate_init: imposta il tasso di apprendimento per l'aggiornamento dei pesi.

Ad esempio, con una sola riga di codice, è possibile creare un percettrone con due layer nascosti da 10 neuroni ciascuno, utilizzando al massimo 100 epoche per l'addestramento e un tasso di apprendimento di 0.5:

from sklearn.neural_network import MLPClassifier

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

Come nella nostra implementazione, l'addestramento del modello consiste semplicemente nel chiamare il metodo fit():

model.fit(X_train, y_train)

Per ottenere le etichette predette (ad esempio, sul set di test), è sufficiente chiamare il metodo predict():

y_pred = model.predict(X_test)