Lära Neuralt Nätverk med scikit-learn | Neuronnätverk Från Grunden

Att arbeta med neurala nätverk kan vara ganska komplicerat, särskilt om du försöker bygga dem från grunden. Istället för att manuellt koda algoritmer och formler kan du använda färdiga verktyg såsom biblioteket sklearn.

Fördelar med att använda sklearn

Enkel användning: du behöver inte fördjupa dig i detaljerna för varje algoritm. Du kan helt enkelt använda färdiga metoder och klasser;
Optimering: biblioteket sklearn är optimerat för prestanda, vilket kan minska träningstiden för din modell;
Omfattande dokumentation: sklearn tillhandahåller omfattande dokumentation med användningsexempel, vilket kan påskynda inlärningsprocessen avsevärt;
Kompatibilitet: sklearn integreras väl med andra populära Python-bibliotek såsom numpy, pandas och matplotlib.

Perceptron i sklearn

För att skapa samma modell som i denna sektion kan du använda klassen MLPClassifier från biblioteket sklearn. Dess viktigaste parametrar är följande:

max_iter: anger det maximala antalet epoker för träning;
hidden_layer_sizes: specificerar antalet neuroner i varje dolt lager som en tuple;
learning_rate_init: ställer in inlärningshastigheten för viktuppdateringar.

Observera

Som standard använder MLPClassifier ReLU-aktiveringsfunktionen för dolda lager. För binär klassificering är utdata-lagret i princip detsamma som det du implementerade.

Till exempel kan du med en enda kodrad skapa en perceptron med två dolda lager med 10 neuroner vardera, använda högst 100 epoker för träning och en inlärningshastighet på 0.5:

from sklearn.neural_network import MLPClassifier

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

Observera

Neurala nätverk i sklearn bestämmer antalet in- och utgångar baserat på den data de tränas på. Det finns därför inget behov av att ange dessa manuellt.

Precis som med vår implementation innebär träning av modellen helt enkelt att anropa metoden fit():

model.fit(X_train, y_train)

För att få de predicerade etiketterna (t.ex. på testmängden) behöver du bara anropa metoden predict():

y_pred = model.predict(X_test)

Uppgift

Swipe to start coding

Målet är att återskapa, träna och utvärdera en perceptronmodell med hjälp av scikit-learn-biblioteket, enligt samma struktur som den egenutvecklade implementationen från tidigare.

Följ dessa steg noggrant:

Initiera perceptronen med klassen MLPClassifier:
- Ange antalet tränings-epoker till 100 med max_iter=100;

Använd två dolda lager, vardera med 6 neuroner (hidden_layer_sizes=(6, 6));
Sätt inlärningshastigheten till 0.01 med learning_rate_init=0.01;
Lägg till random_state=10 för reproducerbarhet.

Träna modellen på träningsdatan med metoden .fit().
Hämta prediktioner för alla exempel i testmängden med metoden .predict().
Utvärdera prestanda genom att beräkna modellens noggrannhet på testmängden med funktionen accuracy_score().

Lösning

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 13

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Awesome!

Completion rate improved to 4

Svep för att visa menyn

Fördelar med att använda sklearn

Enkel användning: du behöver inte fördjupa dig i detaljerna för varje algoritm. Du kan helt enkelt använda färdiga metoder och klasser;
Optimering: biblioteket sklearn är optimerat för prestanda, vilket kan minska träningstiden för din modell;
Omfattande dokumentation: sklearn tillhandahåller omfattande dokumentation med användningsexempel, vilket kan påskynda inlärningsprocessen avsevärt;
Kompatibilitet: sklearn integreras väl med andra populära Python-bibliotek såsom numpy, pandas och matplotlib.

Perceptron i sklearn

För att skapa samma modell som i denna sektion kan du använda klassen MLPClassifier från biblioteket sklearn. Dess viktigaste parametrar är följande:

max_iter: anger det maximala antalet epoker för träning;
hidden_layer_sizes: specificerar antalet neuroner i varje dolt lager som en tuple;
learning_rate_init: ställer in inlärningshastigheten för viktuppdateringar.

Observera

Som standard använder MLPClassifier ReLU-aktiveringsfunktionen för dolda lager. För binär klassificering är utdata-lagret i princip detsamma som det du implementerade.

Till exempel kan du med en enda kodrad skapa en perceptron med två dolda lager med 10 neuroner vardera, använda högst 100 epoker för träning och en inlärningshastighet på 0.5:

from sklearn.neural_network import MLPClassifier

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

Observera

Neurala nätverk i sklearn bestämmer antalet in- och utgångar baserat på den data de tränas på. Det finns därför inget behov av att ange dessa manuellt.

Precis som med vår implementation innebär träning av modellen helt enkelt att anropa metoden fit():

model.fit(X_train, y_train)

För att få de predicerade etiketterna (t.ex. på testmängden) behöver du bara anropa metoden predict():

y_pred = model.predict(X_test)

Uppgift

Swipe to start coding

Målet är att återskapa, träna och utvärdera en perceptronmodell med hjälp av scikit-learn-biblioteket, enligt samma struktur som den egenutvecklade implementationen från tidigare.

Följ dessa steg noggrant:

Initiera perceptronen med klassen MLPClassifier:
- Ange antalet tränings-epoker till 100 med max_iter=100;

Använd två dolda lager, vardera med 6 neuroner (hidden_layer_sizes=(6, 6));
Sätt inlärningshastigheten till 0.01 med learning_rate_init=0.01;
Lägg till random_state=10 för reproducerbarhet.

Träna modellen på träningsdatan med metoden .fit().
Hämta prediktioner för alla exempel i testmängden med metoden .predict().
Utvärdera prestanda genom att beräkna modellens noggrannhet på testmängden med funktionen accuracy_score().

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 13

single