吳裕雄 python 機器學習——人工神經網絡感知機學習算法的應用
阿新 • • 發佈：2019-05-01
sgd 加載 pyplot 樣本 rand 列表 mes gen port
import numpy as np from matplotlib import pyplot as plt from sklearn import neighbors, datasets from matplotlib.colors import ListedColormap from sklearn.neural_network import MLPClassifier ## 加載數據集 np.random.seed(0) # 使用 scikit-learn 自帶的 iris 數據集 iris=datasets.load_iris() # 使用前兩個特征，方便繪圖X=iris.data[:,0:2] # 標記值 Y=iris.target data=np.hstack((X,Y.reshape(Y.size,1))) # 混洗數據。因為默認的iris 數據集：前50個數據是類別0，中間50個數據是類別1，末尾50個數據是類別2.混洗將打亂這個順序 np.random.shuffle(data) X=data[:,:-1] Y=data[:,-1] train_x=X[:-30] train_y=Y[:-30] # 最後30個樣本作為測試集 test_x=X[-30:] test_y=Y[-30:] def plot_classifier_predict_meshgrid(ax,clf,x_min,x_max,y_min,y_max):‘‘‘ 繪制 MLPClassifier 的分類結果 :param ax: Axes 實例，用於繪圖 :param clf: MLPClassifier 實例 :param x_min: 第一維特征的最小值 :param x_max: 第一維特征的最大值 :param y_min: 第二維特征的最小值 :param y_max: 第二維特征的最大值 :return: None ‘‘‘ plot_step = 0.02 # 步長 xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),np.arange(y_min, y_max, plot_step)) Z= clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 繪圖 ax.contourf(xx, yy, Z, cmap=plt.cm.Paired) def plot_samples(ax,x,y): ‘‘‘ 繪制二維數據集 :param ax: Axes 實例，用於繪圖 :param x: 第一維特征 :param y: 第二維特征 :return: None ‘‘‘ n_classes = 3 # 顏色數組。每個類別的樣本使用一種顏色 plot_colors = "bry" for i, color in zip(range(n_classes), plot_colors): idx = np.where(y == i) # 繪圖 ax.scatter(x[idx, 0], x[idx, 1], c=color,label=iris.target_names[i], cmap=plt.cm.Paired) def mlpclassifier_iris(): ‘‘‘ 使用 MLPClassifier 預測調整後的 iris 數據集 ‘‘‘ fig=plt.figure() ax=fig.add_subplot(1,1,1) classifier=MLPClassifier(activation=‘logistic‘,max_iter=10000,hidden_layer_sizes=(30,)) classifier.fit(train_x,train_y) train_score=classifier.score(train_x,train_y) test_score=classifier.score(test_x,test_y) x_min, x_max = train_x[:, 0].min() - 1, train_x[:, 0].max() + 2 y_min, y_max = train_x[:, 1].min() - 1, train_x[:, 1].max() + 2 plot_classifier_predict_meshgrid(ax,classifier,x_min,x_max,y_min,y_max) plot_samples(ax,train_x,train_y) ax.legend(loc=‘best‘) ax.set_xlabel(iris.feature_names[0]) ax.set_ylabel(iris.feature_names[1]) ax.set_title("train score:%f;test score:%f"%(train_score,test_score)) plt.show() mlpclassifier_iris()
def mlpclassifier_iris_hidden_layer_sizes(): ‘‘‘ 使用 MLPClassifier 預測調整後的 iris 數據集。考察不同的 hidden_layer_sizes 的影響 :return: None ‘‘‘ fig=plt.figure() # 候選的 hidden_layer_sizes 參數值組成的數組 hidden_layer_sizes=[(10,),(30,),(100,),(5,5),(10,10),(30,30)] for itx,size in enumerate(hidden_layer_sizes): ax=fig.add_subplot(2,3,itx+1) classifier=MLPClassifier(activation=‘logistic‘,max_iter=10000,hidden_layer_sizes=size) classifier.fit(train_x,train_y) train_score=classifier.score(train_x,train_y) test_score=classifier.score(test_x,test_y) x_min, x_max = train_x[:, 0].min() - 1, train_x[:, 0].max() + 2 y_min, y_max = train_x[:, 1].min() - 1, train_x[:, 1].max() + 2 plot_classifier_predict_meshgrid(ax,classifier,x_min,x_max,y_min,y_max) plot_samples(ax,train_x,train_y) ax.legend(loc=‘best‘) ax.set_xlabel(iris.feature_names[0]) ax.set_ylabel(iris.feature_names[1]) ax.set_title("layer_size:%s;train score:%f;test score:%f"%(size,train_score,test_score)) plt.show() mlpclassifier_iris_hidden_layer_sizes()
def mlpclassifier_iris_ativations(): ‘‘‘ 使用 MLPClassifier 預測調整後的 iris 數據集。考察不同的 activation 的影響 ‘‘‘ fig=plt.figure() # 候選的激活函數字符串組成的列表 ativations=["logistic","tanh","relu"] for itx,act in enumerate(ativations): ax=fig.add_subplot(1,3,itx+1) classifier=MLPClassifier(activation=act,max_iter=10000,hidden_layer_sizes=(30,)) classifier.fit(train_x,train_y) train_score=classifier.score(train_x,train_y) test_score=classifier.score(test_x,test_y) x_min, x_max = train_x[:, 0].min() - 1, train_x[:, 0].max() + 2 y_min, y_max = train_x[:, 1].min() - 1, train_x[:, 1].max() + 2 plot_classifier_predict_meshgrid(ax,classifier,x_min,x_max,y_min,y_max) plot_samples(ax,train_x,train_y) ax.legend(loc=‘best‘) ax.set_xlabel(iris.feature_names[0]) ax.set_ylabel(iris.feature_names[1]) ax.set_title("activation:%s;train score:%f;test score:%f"%(act,train_score,test_score)) plt.show() mlpclassifier_iris_ativations()
def mlpclassifier_iris_algorithms(): ‘‘‘ 使用 MLPClassifier 預測調整後的 iris 數據集。考察不同的 algorithm 的影響 :return: None ‘‘‘ fig=plt.figure() algorithms=["lbfgs","sgd","adam"] # 候選的算法字符串組成的列表 for itx,algo in enumerate(algorithms): ax=fig.add_subplot(1,3,itx+1) classifier=MLPClassifier(activation="tanh",max_iter=10000,hidden_layer_sizes=(30,),solver=algo) classifier.fit(train_x,train_y) train_score=classifier.score(train_x,train_y) test_score=classifier.score(test_x,test_y) x_min, x_max = train_x[:, 0].min() - 1, train_x[:, 0].max() + 2 y_min, y_max = train_x[:, 1].min() - 1, train_x[:, 1].max() + 2 plot_classifier_predict_meshgrid(ax,classifier,x_min,x_max,y_min,y_max) plot_samples(ax,train_x,train_y) ax.legend(loc=‘best‘) ax.set_xlabel(iris.feature_names[0]) ax.set_ylabel(iris.feature_names[1]) ax.set_title("algorithm:%s;train score:%f;test score:%f"%(algo,train_score,test_score)) plt.show() mlpclassifier_iris_algorithms()
def mlpclassifier_iris_eta(): ‘‘‘ 使用 MLPClassifier 預測調整後的 iris 數據集。考察不同的學習率的影響 ‘‘‘ fig=plt.figure() etas=[0.1,0.01,0.001,0.0001] # 候選的學習率值組成的列表 for itx,eta in enumerate(etas): ax=fig.add_subplot(2,2,itx+1) classifier=MLPClassifier(activation="tanh",max_iter=1000000, hidden_layer_sizes=(30,),solver=‘sgd‘,learning_rate_init=eta) classifier.fit(train_x,train_y) iter_num=classifier.n_iter_ train_score=classifier.score(train_x,train_y) test_score=classifier.score(test_x,test_y) x_min, x_max = train_x[:, 0].min() - 1, train_x[:, 0].max() + 2 y_min, y_max = train_x[:, 1].min() - 1, train_x[:, 1].max() + 2 plot_classifier_predict_meshgrid(ax,classifier,x_min,x_max,y_min,y_max) plot_samples(ax,train_x,train_y) ax.legend(loc=‘best‘) ax.set_xlabel(iris.feature_names[0]) ax.set_ylabel(iris.feature_names[1]) ax.set_title("eta:%f;train score:%f;test score:%f;iter_num:%d"%(eta,train_score,test_score,iter_num)) plt.show() mlpclassifier_iris_eta()
吳裕雄 python 機器學習——人工神經網絡感知機學習算法的應用