Leer Neuraal Netwerk met scikit-learn | Neuraal Netwerk Vanaf Nul

Werken met neurale netwerken kan behoorlijk ingewikkeld zijn, vooral als je ze vanaf nul probeert op te bouwen. In plaats van handmatig algoritmes en formules te coderen, kun je gebruikmaken van kant-en-klare tools zoals de sklearn-bibliotheek.

Voordelen van het gebruik van sklearn

Gebruiksgemak: het is niet nodig om diep in te gaan op de details van elk algoritme. Je kunt eenvoudig kant-en-klare methoden en klassen gebruiken;
Optimalisatie: de sklearn-bibliotheek is geoptimaliseerd voor prestaties, wat de traintijd van je model kan verkorten;
Uitgebreide documentatie: sklearn biedt uitgebreide documentatie met gebruiksvoorbeelden, wat het leerproces aanzienlijk kan versnellen;
Compatibiliteit: sklearn integreert goed met andere populaire Python-bibliotheken zoals numpy, pandas en matplotlib.

Perceptron in sklearn

Om hetzelfde model als in deze sectie te maken, kun je de MLPClassifier-klasse uit de sklearn-bibliotheek gebruiken. De belangrijkste parameters zijn als volgt:

max_iter: bepaalt het maximale aantal epochs voor training;
hidden_layer_sizes: specificeert het aantal neuronen in elke verborgen laag als een tuple;
learning_rate_init: stelt het leerrendement voor gewichtsaanpassingen in.

Opmerking

Standaard gebruikt MLPClassifier de ReLU-activatiefunctie voor verborgen lagen. Voor binaire classificatie is de uitvoerlaag in wezen gelijk aan de laag die je zelf hebt geïmplementeerd.

Bijvoorbeeld, met één regel code kun je een perceptron maken met twee verborgen lagen van elk 10 neuronen, waarbij maximaal 100 epochs voor training worden gebruikt en een leersnelheid van 0.5:

from sklearn.neural_network import MLPClassifier

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

Opmerking

Neurale netwerken in sklearn bepalen het aantal invoer- en uitvoerwaarden op basis van de gegevens waarop ze worden getraind. Het is daarom niet nodig om deze handmatig in te stellen.

Net als bij onze implementatie bestaat het trainen van het model eenvoudigweg uit het aanroepen van de fit()-methode:

model.fit(X_train, y_train)

Om de voorspelde labels te verkrijgen (bijvoorbeeld op de testset), hoeft alleen de predict()-methode aangeroepen te worden:

y_pred = model.predict(X_test)

Taak

Swipe to start coding

Het doel is om een perceptronmodel te reconstrueren, trainen en evalueren met behulp van de scikit-learn-bibliotheek, volgens dezelfde structuur als de eerder gemaakte eigen implementatie.

Volg deze stappen zorgvuldig:

Initialiseer het perceptron met de MLPClassifier-klasse:
- Stel het aantal trainings-epochs in op 100 met max_iter=100;

Gebruik twee verborgen lagen, elk met 6 neuronen (hidden_layer_sizes=(6, 6));
Stel het leerpercentage in op 0.01 met learning_rate_init=0.01;
Voeg random_state=10 toe voor reproduceerbaarheid.

Train het model op de trainingsdataset met de .fit()-methode.
Verkrijg voorspellingen voor alle voorbeelden in de testset met de .predict()-methode.
Evalueer de prestaties door de nauwkeurigheid van het model op de testset te berekenen met de functie accuracy_score().

Oplossing

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 13

single

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Awesome!

Completion rate improved to 4

Veeg om het menu te tonen

Voordelen van het gebruik van sklearn

Gebruiksgemak: het is niet nodig om diep in te gaan op de details van elk algoritme. Je kunt eenvoudig kant-en-klare methoden en klassen gebruiken;
Optimalisatie: de sklearn-bibliotheek is geoptimaliseerd voor prestaties, wat de traintijd van je model kan verkorten;
Uitgebreide documentatie: sklearn biedt uitgebreide documentatie met gebruiksvoorbeelden, wat het leerproces aanzienlijk kan versnellen;
Compatibiliteit: sklearn integreert goed met andere populaire Python-bibliotheken zoals numpy, pandas en matplotlib.

Perceptron in sklearn

Om hetzelfde model als in deze sectie te maken, kun je de MLPClassifier-klasse uit de sklearn-bibliotheek gebruiken. De belangrijkste parameters zijn als volgt:

max_iter: bepaalt het maximale aantal epochs voor training;
hidden_layer_sizes: specificeert het aantal neuronen in elke verborgen laag als een tuple;
learning_rate_init: stelt het leerrendement voor gewichtsaanpassingen in.

Opmerking

from sklearn.neural_network import MLPClassifier

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

Opmerking

Neurale netwerken in sklearn bepalen het aantal invoer- en uitvoerwaarden op basis van de gegevens waarop ze worden getraind. Het is daarom niet nodig om deze handmatig in te stellen.

Net als bij onze implementatie bestaat het trainen van het model eenvoudigweg uit het aanroepen van de fit()-methode:

model.fit(X_train, y_train)

Om de voorspelde labels te verkrijgen (bijvoorbeeld op de testset), hoeft alleen de predict()-methode aangeroepen te worden:

y_pred = model.predict(X_test)

Taak

Swipe to start coding

Het doel is om een perceptronmodel te reconstrueren, trainen en evalueren met behulp van de scikit-learn-bibliotheek, volgens dezelfde structuur als de eerder gemaakte eigen implementatie.

Volg deze stappen zorgvuldig:

Initialiseer het perceptron met de MLPClassifier-klasse:
- Stel het aantal trainings-epochs in op 100 met max_iter=100;

Gebruik twee verborgen lagen, elk met 6 neuronen (hidden_layer_sizes=(6, 6));
Stel het leerpercentage in op 0.01 met learning_rate_init=0.01;
Voeg random_state=10 toe voor reproduceerbaarheid.

Train het model op de trainingsdataset met de .fit()-methode.
Verkrijg voorspellingen voor alle voorbeelden in de testset met de .predict()-methode.
Evalueer de prestaties door de nauwkeurigheid van het model op de testset te berekenen met de functie accuracy_score().

Oplossing

Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 13

single