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

1. Enkel användning: det är inte nödvändigt att fördjupa sig i detaljerna för varje algoritm. Färdiga metoder och klasser kan användas direkt;

2. Optimering: biblioteket sklearn är optimerat för prestanda, vilket kan minska träningstiden för din modell;

3. Omfattande dokumentation: sklearn tillhandahåller omfattande dokumentation med användningsexempel, vilket kan påskynda inlärningsprocessen avsevärt;

4. Kompatibilitet: sklearn integreras väl med andra populära Python-bibliotek såsom numpy, pandas och matplotlib.

Perceptron i sklearn

För att skapa samma modell som i detta avsnitt 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.

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)

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)