python sklearn 神经网络,sklearn 卷积神经网络

　　实例神经网络分类神经网络学习能力强大，在数据量足够，隐藏层足够多的情况下，理论上可以拟合出任何方程。

　　理论部分实例提供的神经网络算法有三个：

　　neural_network.BernoulliRBM，neural_network.MLPClassifier，neural_network.MLPRgression

　　我们现在使用MLP(多层感知)做分类，回归其实也类似。该网络由三部分组成：输入层、隐藏层、输出层，其中隐藏层的个数可以人为设定。神经网络学习之后的知识都存在每一层的权重矩阵中，学习的过程也就是不断训练权重达到拟合的效果。权重训练比较常用的方法是反向传递(反向传播

　　分类代码# coding=utf-8导入熊猫as PD导入matplotlib。py绘图为来自sk learn的PLT。从sk learn导入数据集。neural _ network import MLP classifier从sk learn导入numpy作为NP。预处理导入标准scaler def main():iris=datasets。load _ iris()#典型分类数据模型#这里我们数据统一用熊猫处理数据=pd .DataFrame(iris.data，columns=iris。feature _ names)数据[ class ]=iris。目标#这里只取两类data=data[data[class]！=2] #为了可视化方便，这里取两个属性为例scaler=标准scaler()X=data[[萼片长度（厘米),萼片宽度（厘米)]] scaler.fit(X) #标准化数据集X=缩放器。transform(X)Y=data[[ class ]]#划分数据集X_train，X_test，Y_train，Y_test=train_test_split(X，Y)mpl=MLP分类器(solver= lbfgs ，activation= logistic )mpl。fit(X _ train，Y_train) print Score:\n ，mpl.score(X_test，Y_test) #score是指分类的正确率#区域划分h=0.02 x_min，x_max=X[:0].min() - 1，X[:0].max() 1 y_min，y_max=X[:1].min() - 1，X[:1].max() 1 xx，yy=np.meshgrid(np.arange(x_min，x_max，h)，np.arange(y_min，y_max，h))Z=mpl。预测(NP。c _[xx。ravel()，yy。ravel()])Z=Z . shape(xx。形状)PLT。康托URF(xx，YY，Z，cmap=plt.cm.Paired) #做出原来的散点图class1_x=X[Y[class]==0，0] class1_y=X[Y[class]==0，1] l1=plt.scatter(class1_x，class1_y，color=b ，label=iris。target _ names[0])class 2 _ X=X[Y[ class ]==1，0] class2_y=X[Y[class]==1，1] l2=plt.scatter(class2_x，class2_y，class2_y测试结果

　　转载于：https://www。cnblogs。com/方浩/p/7533385.html

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。