神經網路模型實現

一、引入糖尿病病情**問題的資料

from sklearn.datasets import load_diabetes

diabets=load_diabetes()

x=diabets.data

y=diabets.target
from sklearn.model_selection import train_test_split  #引入分片模組
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=32)
from sklearn.preprocessing import standardscaler   #引入屬性轉換模組
xs=standardscaler()
xs.fit(x_train) 
輸出：standardscaler(copy=true, with_mean=true, with_std=true)
x_train=xs.transform(x_train)
x_test=xs.transform(x_test)    #對屬性值進行轉換

①隱層層數為1，一層100個神經元

from sklearn.neural_network import mlpclassifier

clf=mlpclassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100),random_state=5)
clf.fit(x_train,y_train)

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=100, learning_rate='constant',
learning_rate_init=0.001, max_iter=200, momentum=0.9,
nesterovs_momentum=true, power_t=0.5, random_state=5, shuffle=true,
solver='lbfgs', tol=0.0001, validation_fraction=0.1, verbose=false,
warm_start=false)
clf.predict(x_test)

array([202., 184.,  98.,  68.,  59.,  91., 242., 143., 202., 142.,  63.,

263., 277.,  53.,  71., 181.,  71., 182., 257., 146., 210., 111.,
43., 124., 137., 265., 220., 293., 277., 321., 293.,  97., 173.,
66.,  64.,  99.,  91., 306., 160.,  98., 233., 143.,  51.,  42.,
98., 103., 140.,  59.,  99., 161.,  66., 111., 263., 277., 102.,
92., 140.,  66.,  91., 140., 275., 293., 129., 168., 178., 180.,
262.,  60.,  92.,  49., 277., 151., 277., 128., 181.,  83., 181.,
120.,  83.,  66.,  64., 196., 144., 245., 104.,  63.,  77.,  47.,
151., 275.,  78., 196., 107., 128.,  83., 140.,  53., 168., 140.,
84.,  60., 245., 195., 103., 293.,  55., 262., 306.,  60.,  53.,
186.,  97., 196.,  94., 140.,  84., 183.,  68.,  91.,  98.,  91.,
63.,  59., 214., 198.,  68.,  48.,  98., 171., 161., 310.,  64.,
200.])

clf.score(x,y)

0.01809954751131222

clf=mlpclassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(1000),random_state=5)

clf.fit(x_train,y_train)  
clf.predict(x_test)
clf.score(x,y)

0.013574660633484163

clf=mlpclassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(10000),random_state=5)

clf.fit(x_train,y_train) 
clf.predict(x_test)
clf.score(x,y)

0.013574660633484163

clf=mlpclassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100,100),random_state=5)

clf.fit(x_train,y_train) 
clf.predict(x_test)
clf.score(x,y)

0.013574660633484163

clf=mlpclassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100,100),random_state=5)

clf.fit(x_train,y_train) 
clf.predict(x_test)
clf.score(x,y)

0.013574660633484163

①隱層層數為1，一層100個神經元

from sklearn.neural_network import mlpregressor

clf=mlpregressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100),random_state=5)
clf.fit(x_train,y_train)
clf.score(x,y)

0.5752407606575551

clf=mlpregressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(1000),random_state=5)

clf.fit(x_train,y_train)
clf.score(x,y)

0.5619017692047168

clf=mlpregressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(10000),random_state=5)

clf.fit(x_train,y_train)
clf.score(x,y)

0.5577797129300099

clf=mlpregressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100,100),random_state=5)

clf.fit(x_train,y_train)
clf.score(x,y)

0.5392360541382879

clf=mlpregressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(100,100),random_state=5)

clf.fit(x_train,y_train)
clf.score(x,y)

0.557065308006742

神經網路模型

神經網路往往不需要人為的構造資料特徵，因為乙個神經元就可以看做是原始資料的不同特徵的組合，在神經元數目足夠大，層數足夠多的情況下，是很容易準確的進行分類的.神經網路是由具有適應性的簡單單元組成的廣泛並行互連的網路，它的組織能夠模擬生物神經系統對真實世界物體所做出的互動反應 神經元模型 m p神經元模...

神經網路 python實現神經網路

神經網路系列目錄 神經網路 神經網路原理介紹 bp演算法 神經網路 sklearn引數介紹及應用 神經網路實戰 主播綜合評分回歸 實戰 最小二乘法 梯度下降法區別及python實現 本篇博文通過python 實現神經網路，採用sklearn自帶的手寫數字集，看分類情況如何 一 匯入資料集並標準化 資...

神經網路語言模型

基於計數的n gram語言模型 出現的問題 1 資料稀疏，有些資料未出現過 2 忽略語義的相關性，如 無聊 與 枯燥 雖然語義相似，但無法共享資訊。詞語表示為 one hot表示法。基於分布式表示的n gram語言模型 出現的問題 1 詞向量 如何將每個詞對映到實數向量空間中的乙個點 2 f函式的設...