Neuronale Netzwerkmodelle

Einführung

In diesem Lab werden wir uns mit neuronalen Netzwerkmodellen und ihrer Verwendung in Aufgaben des überwachten Lernens vertraut machen. Neurale Netze sind eine beliebte Art von Machine-Learning-Algorithmen, die nicht-lineare Muster in Daten lernen können. Sie werden häufig für Klassifizierungs- und Regressionsaufgaben verwendet.

Wir werden uns speziell auf den Multi-Layer Perceptron (MLP)-Algorithmus konzentrieren, der eine Art neuronaler Netzwerk ist, das zwischen der Eingangs- und der Ausgangsschicht eine oder mehrere versteckte Schichten hat. MLP kann komplexe nicht-lineare Beziehungen in Daten lernen, was es für eine Vielzahl von Aufgaben geeignet macht.

Tipps für die VM

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu nutzen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Importieren der erforderlichen Bibliotheken

from sklearn.neural_network import MLPClassifier

Lade den Datensatz

## Lade den Datensatz
X = [[0., 0.], [1., 1.]]
y = [0, 1]

Erstelle und trainiere das MLP-Modell

## Erstelle einen MLP-Klassifizierer mit einer versteckten Schicht von 5 Neuronen
clf = MLPClassifier(hidden_layer_sizes=(5,), random_state=1)

## Trainiere das Modell mit den Trainingsdaten
clf.fit(X, y)

Mache Vorhersagen mit dem trainierten Modell

## Mache Vorhersagen für neue Stichproben
predictions = clf.predict([[0., 1.], [1., 0.]])

#计算模型

#计算模型精度
accuracy = clf.score(X, y)

Zusammenfassung

In diesem Lab haben wir uns mit neuronalen Netzwerkmodellen, speziell dem Multi-layer Perceptron (MLP)-Algorithmus, beschäftigt. Wir haben die erforderlichen Bibliotheken importiert, den Datensatz geladen, ein MLP-Modell erstellt und trainiert, Vorhersagen mit dem trainierten Modell gemacht und die Genauigkeit des Modells ausgewertet.

Der MLP ist ein leistungsstarker Algorithmus, der nicht-lineare Muster in Daten lernen kann und weit verbreitet zur Klassifizierung und Regressionsaufgaben eingesetzt wird. Es kann ein nützliches Werkzeug in Ihrem Machine-Learning-Toolbox sein.