Aprenda Rede Neural com scikit-learn

Trabalhar com redes neurais pode ser bastante complexo, especialmente ao tentar construí-las do zero. Em vez de codificar manualmente algoritmos e fórmulas, é possível utilizar ferramentas prontas como a biblioteca sklearn.

Benefícios de usar sklearn

Facilidade de uso: não é necessário aprofundar-se nos detalhes de cada algoritmo. Métodos e classes prontos podem ser utilizados;
Otimização: a biblioteca sklearn é otimizada para desempenho, o que pode reduzir o tempo de treinamento do modelo;
Documentação abrangente: o sklearn oferece documentação extensa com exemplos de uso, o que pode acelerar significativamente o processo de aprendizagem;
Compatibilidade: o sklearn integra-se bem com outras bibliotecas populares do Python, como numpy, pandas e matplotlib.

Perceptron no sklearn

Para criar o mesmo modelo apresentado nesta seção, pode-se utilizar a classe MLPClassifier da biblioteca sklearn. Seus principais parâmetros são:

max_iter: define o número máximo de épocas para o treinamento;
hidden_layer_sizes: especifica a quantidade de neurônios em cada camada oculta como uma tupla;
learning_rate_init: define a taxa de aprendizado para atualização dos pesos.

Nota

Por padrão, o MLPClassifier utiliza a função de ativação ReLU para as camadas ocultas. Para classificação binária, a camada de saída é essencialmente a mesma que você implementou.

Por exemplo, com uma única linha de código, é possível criar um perceptron com duas camadas ocultas de 10 neurônios cada, utilizando no máximo 100 épocas para treinamento e uma taxa de aprendizado de 0.5:

from sklearn.neural_network import MLPClassifier

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

Nota

Redes neurais no sklearn determinam o número de entradas e saídas com base nos dados utilizados para treinamento. Portanto, não é necessário defini-los manualmente.

Assim como em nossa implementação, treinar o modelo simplesmente envolve chamar o método fit():

model.fit(X_train, y_train)

Para obter os rótulos previstos (por exemplo, no conjunto de teste), basta chamar o método predict():

y_pred = model.predict(X_test)

Tarefa

Swipe to start coding

Seu objetivo é recriar, treinar e avaliar um modelo perceptron utilizando a biblioteca scikit-learn, seguindo a mesma estrutura da implementação personalizada construída anteriormente.

Siga cuidadosamente estes passos:

Inicialize o perceptron usando a classe MLPClassifier:

Defina o número de épocas de treinamento como 100 utilizando max_iter=100;
Utilize duas camadas ocultas, cada uma contendo 6 neurônios (hidden_layer_sizes=(6, 6));
Defina a taxa de aprendizado como 0.01 utilizando learning_rate_init=0.01;
Adicione random_state=10 para reprodutibilidade.

Treine o modelo no conjunto de dados de treinamento utilizando o método .fit().
Obtenha as previsões para todos os exemplos no conjunto de teste utilizando o método .predict().
Avalie o desempenho calculando a acurácia do modelo no conjunto de teste com a função accuracy_score().

Solução

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 13

single

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 4

Deslize para mostrar o menu

Benefícios de usar sklearn

Facilidade de uso: não é necessário aprofundar-se nos detalhes de cada algoritmo. Métodos e classes prontos podem ser utilizados;
Otimização: a biblioteca sklearn é otimizada para desempenho, o que pode reduzir o tempo de treinamento do modelo;
Documentação abrangente: o sklearn oferece documentação extensa com exemplos de uso, o que pode acelerar significativamente o processo de aprendizagem;
Compatibilidade: o sklearn integra-se bem com outras bibliotecas populares do Python, como numpy, pandas e matplotlib.

Perceptron no sklearn

Para criar o mesmo modelo apresentado nesta seção, pode-se utilizar a classe MLPClassifier da biblioteca sklearn. Seus principais parâmetros são:

max_iter: define o número máximo de épocas para o treinamento;
hidden_layer_sizes: especifica a quantidade de neurônios em cada camada oculta como uma tupla;
learning_rate_init: define a taxa de aprendizado para atualização dos pesos.

Nota

from sklearn.neural_network import MLPClassifier

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

Nota

Redes neurais no sklearn determinam o número de entradas e saídas com base nos dados utilizados para treinamento. Portanto, não é necessário defini-los manualmente.

Assim como em nossa implementação, treinar o modelo simplesmente envolve chamar o método fit():

model.fit(X_train, y_train)

Para obter os rótulos previstos (por exemplo, no conjunto de teste), basta chamar o método predict():

y_pred = model.predict(X_test)

Tarefa

Swipe to start coding

Seu objetivo é recriar, treinar e avaliar um modelo perceptron utilizando a biblioteca scikit-learn, seguindo a mesma estrutura da implementação personalizada construída anteriormente.

Siga cuidadosamente estes passos:

Inicialize o perceptron usando a classe MLPClassifier:

Defina o número de épocas de treinamento como 100 utilizando max_iter=100;
Utilize duas camadas ocultas, cada uma contendo 6 neurônios (hidden_layer_sizes=(6, 6));
Defina a taxa de aprendizado como 0.01 utilizando learning_rate_init=0.01;
Adicione random_state=10 para reprodutibilidade.

Treine o modelo no conjunto de dados de treinamento utilizando o método .fit().
Obtenha as previsões para todos os exemplos no conjunto de teste utilizando o método .predict().
Avalie o desempenho calculando a acurácia do modelo no conjunto de teste com a função accuracy_score().

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 13

single