# 導入紅酒數據集from sklearn.datasets import load_wine# 導入MLP神經網絡from sklearn.neural_network import MLPClassifier# 導入數據集拆分工具from sklearn.model_selection import train_test_split# 建立訓練集個測試集wine=load_wine()X_train,X_test,y_train,y_test=train_test_split(wine.data,wine.target,random_state=62)# 打印數據形態print(X_train.shape,X_test.shape) (133, 13) (45, 13) # 設定MLP神經網絡的參數mlp=MLPClassifier(hidden_layer_sizes=[100,100],max_iter=400,random_state=62)# 使用MLP擬合數據mlp.fit(X_train,y_train)# 打印模型得分print('模型得分:{:.2f}'.format(mlp.score(X_test,y_test)))# 書上模型得分是0.24, 我咋有0.93分呢? 模型得分:0.93c:\users\huawei\appdata\local\programs\python\python36\lib\site-packages\sklearn\neural_network\multilayer_perceptron.py:566: ConvergenceWarning: Stochastic Optimizer: Maximum iterations (400) reached and the optimization hasn't converged yet.% self.max_iter, ConvergenceWarning) # 使用MinMaxScaler進行數據預處理from sklearn.preprocessing import MinMaxScalerscaler=MinMaxScaler()scaler.fit(X_train)X_train_pp=scaler.transform(X_train)X_test_pp=scaler.transform(X_test)# 重新訓練模型mlp.fit(X_train_pp,y_train)# 打印模型分數print('數據預處理后的模型得分:{:.2f}'.format(mlp.score(X_test_pp,y_test))) 數據預處理后的模型得分:1.00

總結

以上是生活随笔為你收集整理的深入浅出python机器学习_9.1.5_通过数据预处理提高模型的准确率_MinMaxScaler的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。