Å arbeide med nevrale nettverk kan være ganske utfordrende, spesielt hvis du prøver å bygge dem fra bunnen av. I stedet for å kode algoritmer og formler manuelt, kan du bruke ferdige verktøy som sklearn-biblioteket.

Fordeler med å bruke sklearn

1. Brukervennlighet: du trenger ikke å fordype deg i detaljene til hver algoritme. Du kan enkelt bruke ferdige metoder og klasser;

2. Optimalisering: sklearn-biblioteket er optimalisert for ytelse, noe som kan redusere treningstiden for modellen din;

3. Omfattende dokumentasjon: sklearn tilbyr omfattende dokumentasjon med eksempler på bruk, noe som kan gjøre læringsprosessen betydelig raskere;

4. Kompatibilitet: sklearn integreres godt med andre populære Python-biblioteker som numpy, pandas og matplotlib.

Perceptron i sklearn

For å opprette den samme modellen som i denne seksjonen, kan du bruke MLPClassifier-klassen fra sklearn-biblioteket. Dens viktigste parametere er som følger:

• max_iter: definerer maksimalt antall epoker for trening;
• hidden_layer_sizes: angir antall nevroner i hvert skjult lag som en tuple;
• learning_rate_init: setter læringsraten for vektoppdateringer.

For eksempel kan du med én enkelt kodelinje opprette en perseptron med to skjulte lag med 10 nevroner hver, bruke maksimalt 100 epoker for trening og en læringsrate på 0.5:

from sklearn.neural_network import MLPClassifier

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

Som med vår implementasjon innebærer trening av modellen ganske enkelt å kalle fit()-metoden:

model.fit(X_train, y_train)

For å få predikerte etiketter (for eksempel på testsettet), trenger du bare å kalle predict()-metoden:

y_pred = model.predict(X_test)