sklearn之神經網路模型(有監督)
分類
MLPClassifier
引數說明:
-
hidden_layer_sizes
: 元組形式,長度n_layers-2,預設(100,),第i元素表示第i個神經元的個數 -
activation
: {‘identity’, ‘logistic’, ‘tanh’, ‘relu’},預設"relu"- ‘identity’: f(x) = x
- ‘logistic’:f(x) = 1 / (1 + exp(-x))
- ‘tanh’ : f(x) = tanh(x)
- ‘relu’ : f(x) = max(0, x)
-
solver
:{‘lbfgs’, ‘sgd’, ‘adam’}, default ‘adam’- lbfgs:quasi-Newton方法的優化器
- sgd:隨機梯度下降
- adam: Kingma, Diederik, and Jimmy Ba提出的機遇隨機梯度的優化器 注意:預設solver ‘adam’在相對較大的資料集上效果比較好(幾千個樣本或者更多),對小資料集來說,lbfgs收斂更快效果也更好
-
alpha
:float,可選的,預設0.0001,正則化項引數 -
batch_size
:int , 可選的,預設‘auto’,隨機優化的minibatches的大小,如果solver是‘lbfgs’,分類器將不使用minibatch,當設定成‘auto’,batch_size=min(200,n_samples) -
learning_rate
:{‘constant’,‘invscaling’, ‘adaptive’},預設‘constant’,用於權重更新,只有當solver為’sgd‘時使用- ‘constant’: 有‘learning_rate_init’給定的恆定學習率
- ‘incscaling’:隨著時間t使用’power_t’的逆標度指數不斷降低學習率learning_rate_effective_learning_rate = learning_rate_init / pow(t, power_t)
- ‘adaptive’:只要訓練損耗在下降,就保持學習為’learning_rate_init’不變,當連續兩次不能降低訓練損耗或驗證分數停止升高至少tol時,將當前學習率除以5.
-
max_iter
: int,可選,預設200,最大迭代次數。 -
random_state
:int 或RandomState,可選,預設None,隨機數生成器的狀態或種子 -
shuffle
: bool,可選,預設True,只有當solver=’sgd’或者‘adam’時使用,判斷是否在每次迭代時對樣本進行清洗。 -
tol
:float, 可選,預設1e-4,優化的容忍度 -
learning_rate_int
:double,可選,預設0.001,初始學習率,控制更新權重的補償,只有當solver=’sgd’ 或’adam’時使用。 -
power_t
: double, optional, default 0.5,只有solver=’sgd’時使用,是逆擴充套件學習率的指數.當learning_rate=’invscaling’,用來更新有效學習率。 -
verbose
: bool, optional, default False,是否將過程列印到stdout -
warm_start
: bool, optional, default False,當設定成True,使用之前的解決方法作為初始擬合,否則釋放之前的解決方法 -
momentum
: float, default 0.9,Momentum(動量) for gradient descent update. Should be between 0 and 1. Only used when solver=’sgd’. -
nesterovs_momentum
: boolean, default True, Whether to use Nesterov’s momentum. Only used when solver=’sgd’ and momentum > 0 -
early_stopping
: bool, default False,Only effective when solver=’sgd’ or ‘adam’,判斷當驗證效果不再改善的時候是否終止訓練,當為True時,自動選出10%的訓練資料用於驗證並在兩步連續爹迭代改善低於tol時終止訓練 -
validation_fraction
: float, optional, default 0.1,用作早期停止驗證的預留訓練資料集的比例,早0-1之間,只當early_stopping=True有用 -
beta_1
: float, optional, default 0.9,Only used when solver=’adam’,估計一階矩向量的指數衰減速率,[0,1)之間 -
beta_2
: float, optional, default 0.999,Only used when solver=’adam’估計二階矩向量的指數衰減速率[0,1)之間 -
psilon
: float, optional, default 1e-8,Only used when solver=’adam’數值穩定值。
屬性說明:
classes_
:每個輸出的類標籤loss_
:損失函式計算出來的當前損失值coefs_
:列表中的第i個元素表示i層的權重矩陣intercepts_
:列表中第i個元素代表i+1層的偏差向量n_iter_
:迭代次數n_layers_
:層數n_outputs_
:輸出的個數out_activation_
:輸出啟用函式的名稱。
方法說明:
fit(X,y)
:擬合get_params([deep])
:獲取引數predict(X)
:使用MLP進行預測predic_log_proba(X)
:返回對數概率估計predic_proba(X)
:概率估計score(X,y[,sample_weight])
:返回給定測試資料和標籤上的平均準確度set_params(**params)
:設定引數。
from sklearn.neural_network import MLPClassifier
X = [[0., 0.], [1., 1.]]
y = [0, 1]
clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
hidden_layer_sizes=(5, 2), random_state=1)
clf.fit(X, y)
MLPClassifier(activation='relu', alpha=1e-05, batch_size='auto', beta_1=0.9,
beta_2=0.999, early_stopping=False, epsilon=1e-08,
hidden_layer_sizes=(5, 2), learning_rate='constant',
learning_rate_init=0.001, max_iter=200, momentum=0.9,
nesterovs_momentum=True, power_t=0.5, random_state=1, shuffle=True,
solver='lbfgs', tol=0.0001, validation_fraction=0.1, verbose=False,
warm_start=False)
clf.predict([[2., 2.], [-1., -2.]])
array([1, 0])
clf.predict_proba([[2., 2.], [-1.,- 2.]])
array([[ 1.96718015e-004, 9.99803282e-001],
[ 1.00000000e+000, 4.67017947e-144]])
迴歸
from sklearn.neural_network import MLPRegressor
正則化
實用技巧
- 多層感知器對特徵的縮放是敏感的,所以它強烈建議您歸一化你的資料。 例如,將輸入向量 X 的每個屬性放縮到到 [0, 1] 或 [-1,+1] ,或者將其標準化使它具有 0 均值和方差 1。
- 最好使用 GridSearchCV 找到一個合理的正則化引數 ,通常範圍是在 。
- 據經驗可知,我們觀察到 L-BFGS 收斂速度是更快的並且是小資料集上更好的解決方案。對於規模相對比較大的資料集,Adam 是非常魯棒的。 它通常會迅速收斂,並得到相當不錯的表現。 另一方面,如果學習率調整得正確, 使用 momentum 或 nesterov’s momentum 的 SGD 可以比這兩種演算法更好。