标签：iris 10 random 火热 人工神经网络 print 深度 test indices
算法原理
一个最简单的神经系统，里面总共有两层神经元：一层输入单元和一层输出单元
Y=X1+2X1+3X1+4
处理线性关系
处理非线性关系
预先设定一种网络结构和激活函数----》初始化模型权重--------》根据输入数据和权重来预测结果---------》模型要调节权重
关于激活函数
神经元的激活需要电信号累加到一定的水平
常见的激活函数：ReLU、tanh、Sigmoid
算法优点
可以像搭积木一样不断地扩展模型的边界，而对于内部具体的运行不需要加以太多的干涉
算法缺点
1.神经网络缺乏可解释性，它的内部纷繁复杂
2.神经网络非常耗资源
#神经网络 from sklearn import datasets #sklearn的数据集 from sklearn.neural_network import MLPClassifier import numpy as np #矩形运算库numpy np.random.seed(0) #设置随机种子，不设置的话默认是按系统时间作为参数，设置后可以保证我们每次产生的随机数是一样的 iris = datasets.load_iris() #获取鸢尾花数据集 iris_x = iris.data #数据部分 iris_y = iris.target #类别部分 #从150条数据中选取140条作为训练集，10条作为测试集。permutation接收一个数作为参数（这里为数据集长度150）， #产生一个0-149乱序一维数组 indices = np.random.permutation(len(iris_x)) iris_x_train = iris_x[indices[:-10]] #训练集数据 iris_y_train = iris_y[indices[:-10]] #训练集标签 iris_x_test = iris_x[indices[-10:]] #测试集数据 iris_y_test = iris_y[indices[-10:]] #测试集数据 #slover是权重优化的策略；activation表示选择的激活函数，这里没有设置，默认是relu；alpha是惩罚参数；hidden_layer_sizes是隐藏层大小，长度就是隐藏层的数量，
#每一个大小就是设置每层隐藏层的神经元数量；random_state是初始化所使用的随机项
#（5，2）表示有两层，第一层有5个神经元，第二层有2个
clf = MLPClassifier(solver='lbfgs',alpha=le-5, hidden_layer_sizes=(5,2),random_state=1) #调用该对象的训练方法，主要接收两个参数：训练数据集及其类别标签 clf.fit(iris_x_train,iris_y_train) #拟合 #调用该对象的测试方法，主要接收一个参数：测试数据集 iris_y_predict = clf.predict(iris_x_test) #调用该对象的打分方法，计算出准确率 score = clf.score(iris_x_test,iris_y_test,sample_weight=None) #输出测试结果 print('iris_y_predict=') print(iris_y_predict) #输出原始测试数据集的正确标签，以方便对比 print('iris_y_test=') print(iris_y_test) #输出准确率计算结果 print('Accuracy:',score)
深度学习:
图像处理方面、自然语言处理方面
标签：iris,10,random,火热,人工神经网络,print,深度,test,indices 来源： https://www.cnblogs.com/ning-cli/p/15986721.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。