机器学习四(sklearn神经网络——多分类数字识别)

喜欢ヅ旅行 2022-05-22 04:46 670阅读 0赞

### 1.前言 ###

sklearn神经网络，进行多分类，数字识别。

### 2.python代码 ###

（1）数据集用的sklearn自带，数字0~9分类  
（2）采用MLPClassifier  
（3）执行代码如下multi\_class\_nn.py:

from sklearn.neural_network import MLPClassifier
    from sklearn import datasets
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    import matplotlib.pyplot as plt
    
    # 测试集，画图对预测值和实际值进行比较
    def test_validate(x_test, y_test, y_predict, classifier):
        x = range(len(y_test))
        plt.plot(x, y_test, "ro", markersize=5, zorder=3, label=u"true_v")
        plt.plot(x, y_predict, "go", markersize=8, zorder=2, label=u"predict_v,$R$=%.3f" % classifier.score(x_test, y_test))
        plt.legend(loc="upper left")
        plt.xlabel("number")
        plt.ylabel("true?")
        plt.show()
    
    # 神经网络数字分类
    def multi_class_nn():
        digits = datasets.load_digits()
        x = digits['data']
        y = digits['target']
    
        # 对数据的训练集进行标准化
        ss = StandardScaler()
        x_regular = ss.fit_transform(x)
        # 划分训练集与测试集
        x_train, x_test, y_train, y_test = train_test_split(x_regular, y, test_size=0.1)
        clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(5,), random_state=1)
        clf.fit(x_train, y_train)
        # 模型效果获取
        r = clf.score(x_train, y_train)
        print("R值(准确率):", r)
        # 预测
        y_predict = clf.predict(x_test)  # 预测
        print(y_predict)
        print(y_test)
        # 绘制测试集结果验证
        test_validate(x_test=x_test, y_test=y_test, y_predict=y_predict, classifier=clf)
    
    multi_class_nn()

### 3.验证结果 ###

下面给出不同隐藏单元数量结果，运行结果  
（1）红点是测试集真实结果，绿点是预测结果，红框部分出现了红绿点不重合部分数据（表示预测不准确），看到正确率r=0.872，预测正确/总数。  
MLPClassifier参数：hidden\_layer\_sizes=(5,)，结果如图  
![这里写图片描述][70]  
（2）MLPClassifier参数：hidden\_layer\_sizes=(15,)，结果如图。准确率大幅提高  
![这里写图片描述][70 1]

[70]: /images/20220522/00648a61089c4155950f85d6662441aa.png
[70 1]: /images/20220522/7266d6ba7fa4479982f4b20479f8f7e1.png