sklearn.neural_network.MLPClassifier參數說明

目錄

• sklearn.neural_network.MLPClassifier

---

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個元素表示第i個隱藏層的神經元個數。
• activation：隱藏層激活函數，identity、logistic、tanh、relu。
• solver：權重優化算法，lbfgs、sgd、adam。
• alpha：正則化項參數。
• batch_size：隨機優化的minibatches的大小。
• learning_rate：學習率，constant、invscaling、adaptive。
• learning_rate_init：初始學習率。只有當solver爲sgd或adam時才使用。
• power_t：逆擴展學習率的指數，只有當solver爲sgd時才使用。
• max_iter：最大迭代次數。
• shuffle：是否在每次迭代時對樣本進行清洗，當solver爲sgd或adam時使用。
• random_state：隨機數種子。
• tol：優化算法中止的條件。當迭代先後的函數差值小於等於tol時就中止。
• verbose：是否將過程打印出。
• warm_start：是否使用以前的解決方法做爲初始擬合。
• momentum：梯度降低的動量，介於0到1之間，solver爲sgd時使用。
• nesterovs_momentum：是否使用Nesterov動量。
• early_stopping：判斷當驗證效果再也不改善時是否終止訓練。
• validation_fraction：用做早起中止驗證的預留訓練集的比例，0到1之間。
• beta_1：估計一階矩向量的指數衰減速率，[0,1)之間。
• beta_2：估計二階矩向量的指數衰減速率，[0,1)之間。
• epsilon：數值穩定值，solver爲adam時使用。

返回值屬性說明

• classes_：每一個輸出的類標籤，大小爲(n_classes,)。
• loss_：損失函數計算出的當前損失值。
• coefs_：列表中的第i個元素表示i層的權重矩陣。
• intercepts_：列表中第i個元素表示i+1層的誤差向量。
• n_iter_：迭代次數。
• n_layers_：層數。
• n_outputs_：輸出的個數。
• out_activation_：輸出激活函數的名稱。

返回值方法說明

• fit(X,y)：擬合。
• get_params()：獲取參數。
• predict(X)：進行預測。
• predict_log_proba(X)：對數機率估計。
• predict_proba(X)：機率估計。
• score(X, y)：返回給定測試數據和標籤的平均準確度。
• set_params()：設置參數。

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.]])