說明

這里有一點點神經(jīng)網(wǎng)絡(luò)的代碼，寫出來記錄一下。

環(huán)境

Anaconda3-5.2.0
對運行環(huán)境有疑問的可以看我的Python決策樹代碼那塊，會比較詳細一點

重要內(nèi)容

這里要補充一點重要內(nèi)容，就是sklearn的官網(wǎng)，因為很多時候調(diào)參的時候都要用到sklearn的官網(wǎng)里面的api文檔。
可以直接百度查“sklearn官網(wǎng)”

點擊進去，有時候可能一直進不去，多點擊幾次就好了

這個就是官網(wǎng)了，選擇Document，然后找到API

這次用的是神經(jīng)網(wǎng)絡(luò)，所以我們需要找到的是neural_network

然后我們需要用到的是MLPClassifier

里面有關(guān)于這個函數(shù)怎么用的介紹，還有各種參數(shù)的使用，調(diào)參的時候可以在里面選擇自己想要的參數(shù)。

這個是比較重要的事，因為肯定是需要用到API文檔的。

數(shù)據(jù)

接下來看看數(shù)據(jù)，數(shù)據(jù)跟上次的其實是一樣的，這里是一堆的關(guān)于撥打電話的數(shù)據(jù)，里面有撥打次數(shù)什么的，最后一列是該用戶購買某種電話套餐的，我們用神經(jīng)網(wǎng)絡(luò)就是為了得到一個模型來得到根據(jù)用戶的通話數(shù)據(jù)判斷用戶是否會購買該種套餐的。我們根據(jù)自己的模型預(yù)測出來的結(jié)果和真實結(jié)果作比較，就知道這個模型好不好。

這里數(shù)據(jù)有點少，第一列是電話號碼，我們不需要用到，第二列到第16列是可能影響的數(shù)據(jù)，最后一列，即17列就是最后預(yù)計的結(jié)果。所以這里要把2到16列作為X，把17列作為Y。

代碼

這里把代碼貼上再注釋，比較重要的是調(diào)參過程

# coding=utf-8 # Importing the libraries #這里是導(dǎo)入需要用到的包 import numpy as np import matplotlib.pyplot as plt import pandas as pdfrom sklearn.neural_network import MLPClassifier import numpy as np import _pickle as cPickle import gzip import matplotlib.pyplot as plt# Importing the dataset #導(dǎo)入數(shù)據(jù)，這里的數(shù)據(jù)我放在了桌面上，文件名為churn.csv dataset = pd.read_csv('C:/Users/Administrator/Desktop/churn.csv') #這里就是剛才說的把2-16列作為X，17列作為Y X = dataset.iloc[:,2:16].values y = dataset.iloc[:,17].values# Splitting the dataset into the Training set and Test set #這里把數(shù)據(jù)分為訓練集和測試集 from sklearn.model_selection import train_test_split X_training, X_test_data, y_training, y_test_data = train_test_split(X, y, test_size = 0.35, random_state = 0)# Feature Scaling #這里是數(shù)據(jù)的標準化 from sklearn.preprocessing import StandardScaler sc_X = StandardScaler() X_training = sc_X.fit_transform(X_training) X_test_data = sc_X.transform(X_test_data)# 這里定義一個數(shù)組是為了待會可以多次運行得到結(jié)果，然后取平均值。 #因為每次運行出來結(jié)果不一樣，為了讓結(jié)果更穩(wěn)定，這里取10次運行后的平均值 scorelist = []for i in range(10):#注意：這里是調(diào)參的重點mlp = MLPClassifier(activation='logistic',learning_rate_init=0.01,hidden_layer_sizes=(4,),max_iter=350,random_state=3)#mlp = MLPClassifier(activation='relu',hidden_layer_sizes=(100,100,100,100,100,100,100,100))mlp.fit(X_training, y_training)#把結(jié)果放進數(shù)組中scorelist.append(mlp.score(X_test_data, y_test_data)) #輸出數(shù)組 print(scorelist) #輸出平均值 print(np.average(np.array(scorelist)))

結(jié)果

最后的結(jié)果是0.91773，這是我調(diào)參之后的結(jié)果，不調(diào)參之前是0.8多的，結(jié)果我技術(shù)有限，只能調(diào)到0.917，可能有大神比較厲害吧，能把準確率調(diào)到很高。看一下截圖

調(diào)參問題

根據(jù)API文檔，我們可以進行調(diào)參。下面是針對這里的數(shù)據(jù)說的，其他數(shù)據(jù)不一樣，特別是大數(shù)據(jù)的時候情況會更加不同，因為這里的數(shù)據(jù)很少。
注意到代碼中的

mlp = MLPClassifier(activation='logistic',learning_rate_init=0.01,hidden_layer_sizes=(4,),max_iter=350,random_state=3)#mlp = MLPClassifier(activation='relu',hidden_layer_sizes=(100,100,100,100,100,100,100,100))

這里activation就是我們使用的激活函數(shù)，learning_rate_init是學習率的初始值，hidden_layer_sizes是隱層的個數(shù)以及神經(jīng)元的個數(shù)。我們這里(4,)說明只有一層隱層，而且這一層的神經(jīng)元個數(shù)是4，逗號后面可以加多幾層，神經(jīng)元的個數(shù)也可以改，就像下面注釋掉的內(nèi)容一樣。這里激活函數(shù)的使用也要看神經(jīng)網(wǎng)絡(luò)的個數(shù)，如果神經(jīng)網(wǎng)絡(luò)只有三層（中間一層隱視層），一般選擇用logistic效果更好，3層以上的話一般采用relu更好。這里為什么是神經(jīng)元的個數(shù)是4？我也不知道，我就是改動數(shù)值，發(fā)現(xiàn)用4的時候比較好，所以就用了4。max_iter最大次數(shù)以及random_state隨機狀態(tài)可以進行調(diào)整。
看一下API文檔，進行相應(yīng)的調(diào)整，一直到最好的結(jié)果就可以了。

可以另外加入學習率這個參數(shù)，有三個選擇可以調(diào)整，這里我試過，每種都一樣，所以這里沒有可以去調(diào)，用的是默認的constant。

這里我學習率初始化的值是0.01，默認是0.001，可以適當調(diào)一下，調(diào)的越小，函數(shù)運行時間就需要越久，我這里也調(diào)過，變小了，時間慢了，但是準確率并沒有明顯提高。

這些都可以調(diào)。

另外，下面也可以一起調(diào)參

X_training, X_test_data, y_training, y_test_data = train_test_split(X, y, test_size = 0.35, random_state = 0)

test_size測試集和訓練集的比例，還有random_state隨機狀態(tài)都可以調(diào)。

總結(jié)

以上是生活随笔為你收集整理的python神经网络代码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。