Impara Rete Neurale con scikit-learn

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

Facilità d'uso: non è necessario approfondire i dettagli di ogni algoritmo. Si possono semplicemente utilizzare metodi e classi già pronti;
Ottimizzazione: la libreria sklearn è ottimizzata per le prestazioni, il che può ridurre il tempo di addestramento del modello;
Documentazione estesa: sklearn offre una documentazione completa con esempi di utilizzo, che può velocizzare notevolmente il processo di apprendimento;
Compatibilità: sklearn si integra facilmente con altre librerie Python popolari come numpy, pandas e matplotlib.

Percettrone in sklearn

Per creare lo stesso modello descritto 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 una tupla;
learning_rate_init: imposta il tasso di apprendimento per l'aggiornamento dei pesi.

Nota

Per impostazione predefinita, MLPClassifier utilizza la funzione di attivazione ReLU per i layer nascosti. Per la classificazione binaria, il layer di output è sostanzialmente identico a quello implementato manualmente.

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 pari a 0.5:

from sklearn.neural_network import MLPClassifier

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

Nota

Le reti neurali in sklearn determinano il numero di input e output in base ai dati su cui vengono addestrate. Pertanto, non è necessario impostarli manualmente.

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)

Compito

Swipe to start coding

L'obiettivo è ricreare, addestrare e valutare un modello percettrone utilizzando la libreria scikit-learn, seguendo la stessa struttura dell'implementazione personalizzata realizzata in precedenza.

Seguire attentamente questi passaggi:

Inizializzare il percettrone utilizzando la classe MLPClassifier:

Impostare il numero di epoche di addestramento a 100 tramite max_iter=100;
Utilizzare due strati nascosti, ciascuno con 6 neuroni (hidden_layer_sizes=(6, 6));
Impostare il tasso di apprendimento a 0.01 tramite learning_rate_init=0.01;
Aggiungere random_state=10 per la riproducibilità.

Addestrare il modello sul set di dati di addestramento utilizzando il metodo .fit().
Ottenere le predizioni per tutti gli esempi nel set di test utilizzando il metodo .predict().
Valutare le prestazioni calcolando l'accuratezza del modello sul set di test con la funzione accuracy_score().

Soluzione

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 13

single

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Awesome!

Completion rate improved to 4

Scorri per mostrare il menu

Vantaggi dell'utilizzo di sklearn

Facilità d'uso: non è necessario approfondire i dettagli di ogni algoritmo. Si possono semplicemente utilizzare metodi e classi già pronti;
Ottimizzazione: la libreria sklearn è ottimizzata per le prestazioni, il che può ridurre il tempo di addestramento del modello;
Documentazione estesa: sklearn offre una documentazione completa con esempi di utilizzo, che può velocizzare notevolmente il processo di apprendimento;
Compatibilità: sklearn si integra facilmente con altre librerie Python popolari come numpy, pandas e matplotlib.

Percettrone in sklearn

Per creare lo stesso modello descritto 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 una tupla;
learning_rate_init: imposta il tasso di apprendimento per l'aggiornamento dei pesi.

Nota

from sklearn.neural_network import MLPClassifier

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

Nota

Le reti neurali in sklearn determinano il numero di input e output in base ai dati su cui vengono addestrate. Pertanto, non è necessario impostarli manualmente.

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)

Compito

Swipe to start coding

Seguire attentamente questi passaggi:

Inizializzare il percettrone utilizzando la classe MLPClassifier:

Impostare il numero di epoche di addestramento a 100 tramite max_iter=100;
Utilizzare due strati nascosti, ciascuno con 6 neuroni (hidden_layer_sizes=(6, 6));
Impostare il tasso di apprendimento a 0.01 tramite learning_rate_init=0.01;
Aggiungere random_state=10 per la riproducibilità.

Addestrare il modello sul set di dati di addestramento utilizzando il metodo .fit().
Ottenere le predizioni per tutti gli esempi nel set di test utilizzando il metodo .predict().
Valutare le prestazioni calcolando l'accuratezza del modello sul set di test con la funzione accuracy_score().

Soluzione

Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 13

single