sklearn.neural_network.MLPClassifier

MLPClassifier(hidden_layer_sizes=(100, ), activation='relu',
solver='adam', alpha=0.0001, batch_size='auto',
learning_rate='constant', learning_rate_init=0.001,
power_t=0.5, max_iter=200, shuffle=True,
random_state=None, tol=0.0001, verbose=False,
warm_start=False, momentum=0.9, nesterovs_momentum=True,
early_stopping=False, validation_fraction=0.1,
beta_1=0.9, beta_2=0.999, epsilon=1e-08,
n_iter_no_change=10)
  • hidden_layer_sizes:tuple,第i个元素表示第i个隐藏层的神经元个数。
  • activation:隐藏层激活函数,identity、logistic、tanh、relu。
  • solver:权重优化算法,lbfgs、sgd、adam。
  • alpha:正则化项参数。
  • batch_size:随机优化的minibatches的大小。
  • learning_rate:学习率,constant、invscaling、adaptive。
  • learning_rate_init:初始学习率。只有当solver为sgd或adam时才使用。
  • power_t:逆扩展学习率的指数,只有当solver为sgd时才使用。
  • max_iter:最大迭代次数。
  • shuffle:是否在每次迭代时对样本进行清洗,当solver为sgd或adam时使用。
  • random_state:随机数种子。
  • tol:优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。
  • verbose:是否将过程打印出。
  • warm_start:是否使用之前的解决方法作为初始拟合。
  • momentum:梯度下降的动量,介于0到1之间,solver为sgd时使用。
  • nesterovs_momentum:是否使用Nesterov动量。
  • early_stopping:判断当验证效果不再改善时是否终止训练。
  • validation_fraction:用作早起停止验证的预留训练集的比例,0到1之间。
  • beta_1:估计一阶矩向量的指数衰减速率,[0,1)之间。
  • beta_2:估计二阶矩向量的指数衰减速率,[0,1)之间。
  • epsilon:数值稳定值,solver为adam时使用。

返回值属性说明

  • classes_:每个输出的类标签,大小为(n_classes,)。
  • loss_:损失函数计算出的当前损失值。
  • coefs_:列表中的第i个元素表示i层的权重矩阵。
  • intercepts_:列表中第i个元素表示i+1层的偏差向量。
  • n_iter_:迭代次数。
  • n_layers_:层数。
  • n_outputs_:输出的个数。
  • out_activation_:输出激活函数的名称。

返回值方法说明

  • fit(X,y):拟合。
  • get_params():获取参数。
  • predict(X):进行预测。
  • predict_log_proba(X):对数概率估计。
  • predict_proba(X):概率估计。
  • score(X, y):返回给定测试数据和标签的平均准确度。
  • set_params():设置参数。
from sklearn.neural_network import MLPClassifier

X = [[0., 0.], [1., 1.]]
y = [0, 1] clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(5,2), random_state=1)
clf.fit(X, y) clf.predict([[2., 2.], [-1., -2.]])

sklearn.neural_network.MLPClassifier参数说明的更多相关文章

  1. sklearn.svm.SVC 参数说明

    原文地址:sklearn.svm.SVC 参数说明 ============================== 资源: sklearn官网+DOC 库下载GitHub =============== ...

  2. sklearn.linear_model.LogisticRegression参数说明

    目录 sklearn.linear_model.LogisticRegression sklearn.linear_model.LogisticRegressionCV sklearn.linear_ ...

  3. sklearn.svm.SVC参数说明

    摘自:https://blog.csdn.net/szlcw1/article/details/52336824 本身这个函数也是基于libsvm实现的,所以在参数设置上有很多相似的地方.(PS: l ...

  4. sklearn中MLPClassifier源码解析

    神经网络 .fit() 首先传入类私用方法._fit() 确定hidden_layer_size是可迭代的 调用_validate_hyperparameters验证超参数是否合法 验证输入的x和y是 ...

  5. sklearn官网-多分类问题

    sklearn实战-乳腺癌细胞数据挖掘(博主亲自录制视频) https://study.163.com/course/introduction.htm?courseId=1005269003& ...

  6. MLPClassifier 隐藏层不包括输入和输出

    多层感知机(MLP)原理简介 多层感知机(MLP,Multilayer Perceptron)也叫人工神经网络(ANN,Artificial Neural Network),除了输入输出层,它中间可以 ...

  7. 基于sklearn的分类器实战

    已迁移到我新博客,阅读体验更佳基于sklearn的分类器实战 完整代码实现见github:click me 一.实验说明 1.1 任务描述 1.2 数据说明 一共有十个数据集,数据集中的数据属性有全部 ...

  8. Python 数据分析基础小结

    一.数据读取 1.读写数据库数据 读取函数: pandas.read_sql_table(table_name, con, schema=None, index_col=None, coerce_fl ...

  9. [Scikit-learn] 1.1 Generalized Linear Models - Neural network models

    本章涉及到的若干知识点(红字):本章节是作为通往Tensorflow的前奏! 链接:https://www.zhihu.com/question/27823925/answer/38460833 首先 ...

随机推荐

  1. Gartner 2018 数据库系列报告发布 巨杉数据库连续两年入选

    近期,Gartner陆续发布了2018年的数据库系列报告,包括<数据库魔力象限><数据库核心能力>以及<数据库推荐报告>.其中,SequoiaDB巨杉数据库作为业界 ...

  2. markdown文本转换word,pdf

    pandoc及下载和安装 pandoc是什么 pandoc是一个软件,是一个能把千奇百怪的文档格式互相转换的神器,是一把文档转换的瑞士军刀(swiss-army knife).不多说,放一张其官网(h ...

  3. 学JAVA第八天,今天用循环做了个好玩的东西

    今天用for循环做了个打印矩形的图案 代码如下: package nf;class Kest{ public static void main(String args[]){ int a=30; in ...

  4. JS截取数字

    Math是javascript的一个内部对象,该对象的方法主要是一些数学计算方法floor:下退 Math.floor(12.9999) = 12ceil:上进 Math.ceil(12.1) = 1 ...

  5. 内部类访问局部变量为什么必须要用final修饰

    内部类访问局部变量为什么必须要用final修饰 看了大概五六篇博客, 讲的内容都差不多, 讲的内容也都很对, 但我觉得有些跑题了 略叙一下 String s = "hello"; ...

  6. 【Vue 2.x】指令的学习

      v-on作用于事件,简写@ v-bind作用于html元素的属性,简写: v-for作用于模板内的变量,和C#的foreach类似的用法 v-if和v-show条件渲染html元素 v-model ...

  7. 四、View的工作原理

    1.ViewRoot和DecorView ViewRoot对应于ViewRootImpl类,它是连接WindowManager和DecorView的纽带,View的三大流程均是通过ViewRoot来完 ...

  8. C#基础学习第一天

    ..net与C# .NET是一个框架.一种平台.一种技术 C#是一种编程语言,可以开发基于.NET平台的应用 .NET能干什么 Winform ASP.NET Wwb wphone Unity3D游戏 ...

  9. js动态创建元素之一--document.write

    以我曾经写过的例子举例 如上图,乡镇街道的名字和数目是根据数据库的数据获取的,有几个乡镇,就会显示出来几个,这就要求动态获取乡镇名称和数目,以下代码中用到了document.write创建动态页面,在 ...

  10. MFC字体

    GDI字体分3类:点阵字体(raster font).笔画字体(stroke font)和Truetype字体. 默认点阵字体有7种: System         (用于SYSTEM_FONT)   ...