Introduction
Dans ce laboratoire, nous allons apprendre sur les modèles de réseau de neurones et comment ils peuvent être utilisés dans les tâches d'apprentissage supervisé. Les réseaux de neurones sont un type populaire d'algorithme d'apprentissage automatique qui peut apprendre des modèles non linéaires dans les données. Ils sont souvent utilisés pour les tâches de classification et de régression.
Nous nous concentrerons spécifiquement sur l'algorithme du Perceptron Multicouche (MLP), qui est un type de réseau de neurones qui a une ou plusieurs couches cachées entre les couches d'entrée et de sortie. L'MLP peut apprendre des relations non linéaires complexes dans les données, ce qui le rend adapté à une large gamme de tâches.
Conseils sur la VM
Une fois le démarrage de la VM terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Notebook pour accéder à Jupyter Notebook pour la pratique.
Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations de Jupyter Notebook.
Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez des commentaires après la session, et nous réglerons rapidement le problème pour vous.
Importez les bibliothèques nécessaires
from sklearn.neural_network import MLPClassifier
Chargez l'ensemble de données
## Chargez l'ensemble de données
X = [[0., 0.], [1., 1.]]
y = [0, 1]
Créez et entraînez le modèle MLP
## Créez un classifieur MLP avec une couche cachée de 5 neurones
clf = MLPClassifier(hidden_layer_sizes=(5,), random_state=1)
## Entraînez le modèle à l'aide des données d'entraînement
clf.fit(X, y)
Effectuez des prédictions avec le modèle entraîné
## Effectuez des prédictions pour de nouvelles échantillons
predictions = clf.predict([[0., 1.], [1., 0.]])
Évaluez le modèle
## Évaluez la précision du modèle
accuracy = clf.score(X, y)
Sommaire
Dans ce laboratoire, nous avons appris sur les modèles de réseau de neurones, plus précisément l'algorithme du Perceptron Multicouche (MLP). Nous avons importé les bibliothèques nécessaires, chargé l'ensemble de données, créé et entraîné un modèle MLP, effectué des prédictions avec le modèle entraîné et évalué la précision du modèle.
Le MLP est un algorithme puissant qui peut apprendre des modèles non linéaires dans les données et est largement utilisé pour les tâches de classification et de régression. C'est un outil utile à ajouter à votre boîte à outils d'apprentissage automatique.