使用sklearn中的神经网络模块MLPClassifier处理分类问题

MLPClassifier（多层感知器分类器）

一.首先简单使用sklearn中的neural_network,实例1:

#coding=utf-8
'''
Created on 2017-12-7

'''
from sklearn.neural_network import MLPClassifier
X = [[0., 0.], [1., 1.]]
y = [0, 1]
mlp = MLPClassifier(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5, 5), random_state=1)
mlp.fit(X, y)
print mlp.n_layers_
print mlp.n_iter_
print mlp.loss_
print mlp.out_activation_
# 输出分别为
# 4
# 15
# 0.000141233472537
# logistic

二.MNIST数据集的下载

MNIST是一些手写数字的图片，通过http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz下载数据集。

三.使用神经网络训练MNIST数据集并实现分类，实例2

#coding=utf-8
'''
Created on 2017-12-6

'''

from sklearn.neural_network import MLPClassifier
from sklearn.datasets import fetch_mldata
import numpy as np
import pickle
import gzip

# 加载数据
# mnist = fetch_mldata("MNIST original")
with gzip.open("D:\\xxx\\mnist.pkl.gz") as fp:
training_data,valid_data,test_data = pickle.load(fp)
x_training_data,y_training_data = training_data
x_valid_data,y_valid_data = valid_data
x_test_data,y_test_data = test_data
classes = np.unique(y_test_data)

# 将验证集和训练集合并
x_training_data_final = np.vstack((x_training_data,x_valid_data))
y_training_data_final = np.append(y_training_data,y_valid_data)

# 设置神经网络模型参数
# mlp = MLPClassifier(solver='lbfgs', activation='relu',alpha=1e-4,hidden_layer_sizes=(50,50), random_state=1,max_iter=10,verbose=10,learning_rate_init=.1)
# 使用solver='lbfgs',准确率为79%，比较适合小(少于几千)数据集来说，且使用的是全训练集训练，比较消耗内存
# mlp = MLPClassifier(solver='adam', activation='relu',alpha=1e-4,hidden_layer_sizes=(50,50), random_state=1,max_iter=10,verbose=10,learning_rate_init=.1)
# 使用solver='adam'，准确率只有67%
mlp = MLPClassifier(solver='sgd', activation='relu',alpha=1e-4,hidden_layer_sizes=(50,50), random_state=1,max_iter=10,verbose=10,learning_rate_init=.1)
# 使用solver='sgd'，准确率为98%，且每次训练都会分batch，消耗更小的内存

# 训练模型
mlp.fit(x_training_data_final, y_training_data_final)

# 查看模型结果
print mlp.score(x_test_data,y_test_data)
print mlp.n_layers_
print mlp.n_iter_
print mlp.loss_
print mlp.out_activation_
# Iteration 1, loss = 0.31452262
# Iteration 2, loss = 0.13094946
# Iteration 3, loss = 0.09715855
# Iteration 4, loss = 0.08033498
# Iteration 5, loss = 0.06761733
# Iteration 6, loss = 0.06085069
# Iteration 7, loss = 0.05485305
# Iteration 8, loss = 0.04950742
# Iteration 9, loss = 0.04468061
# Iteration 10, loss = 0.04156696
# D:\Python27\lib\site-packages\sklearn\neural_network\multilayer_perceptron.py:563: ConvergenceWarning: Stochastic Optimizer: Maximum iterations reached and the optimization hasn't converged yet.
#   % (), ConvergenceWarning)
# 0.9726
# 4
# 10
# 0.0415669639552
# softmax

四.分析简单实例1和实例2

对于神经网络的输出层（即mlp.out_activation_,且mlp.out_activation_不可设置），激活函数的选取还是有一定的原则的：

1) 如果是两类判别，输出层只有一个神经元，那么选logistic，即实例1mlp.out_activation_输出；

2) 如果是n类判别，输出层有n个神经元，那么选softmax即实例2，输出0-9多分类；

3) 如果是回归，那么选线性。

这些选择并不是为了提高性能，而只是让输出的范围合理。

对于判别问题，输出是概率，所以必须在0到1之间，多类判别时还需要加起来等于1；

对于回归问题，一般没有理由要求输出在0到1之间。

五.fit和partial_fit进行训练的区别

可以看出即使训练的顺序和迭代的次数一样但准确率仍然有区别。

#coding=utf-8
'''
Created on 2017-12-6

'''

from sklearn.neural_network import MLPClassifier
from sklearn.datasets import fetch_mldata
import numpy as np
import pickle
import gzip

# 加载数据
# mnist = fetch_mldata("MNIST original")
with gzip.open("D:\\xxx\\mnist.pkl.gz") as fp:
training_data,valid_data,test_data = pickle.load(fp)
x_training_data,y_training_data = training_data
x_valid_data,y_valid_data = valid_data
x_test_data,y_test_data = test_data
classes = np.unique(y_test_data)

# 将验证集和训练集合并
x_training_data_final = np.vstack((x_training_data,x_valid_data))
y_training_data_final = np.append(y_training_data,y_valid_data)

# 将数据切割成batch
x_training_data_final1 = x_training_data_final[:30000]
y_training_data_final1 = y_training_data_final[:30000]
x_training_data_final2 = x_training_data_final[30000:]
y_training_data_final2 = y_training_data_final[30000:]

# 设置神经网络模型参数
mlp = MLPClassifier(solver='sgd', activation='relu',alpha=1e-4,hidden_layer_sizes=(50,50), random_state=1,max_iter=10,verbose=10,learning_rate_init=.1)

# 训练模型
# mlp.fit(x_training_data_final, y_training_data_final)
# # Iteration 1, loss = 0.31452262
# # Iteration 2, loss = 0.13094946
# # Iteration 3, loss = 0.09715855
# # Iteration 4, loss = 0.08033498
# # Iteration 5, loss = 0.06761733
# # Iteration 6, loss = 0.06085069
# # Iteration 7, loss = 0.05485305
# # Iteration 8, loss = 0.04950742
# # Iteration 9, loss = 0.04468061
# # Iteration 10, loss = 0.04156696
# # 0.9726
# # 4
# # 10
# # 0.0415669639552
# # softmax

# #partial_fit只会进行一次迭代，需要循环进行迭代max_iter=10
# for i in range(10):
#     #第一次调用需要加classes
#     mlp.partial_fit(x_training_data_final1,y_training_data_final1,classes)
#     mlp.partial_fit(x_training_data_final2,y_training_data_final2)
# # Iteration 1, loss = 0.45255654
# # Iteration 2, loss = 0.18496152
# # Iteration 3, loss = 0.13822314
# # Iteration 4, loss = 0.12282689
# # Iteration 5, loss = 0.10101545
# # Iteration 6, loss = 0.09582430
# # Iteration 7, loss = 0.07989131
# # Iteration 8, loss = 0.07949180
# # Iteration 9, loss = 0.06864537
# # Iteration 10, loss = 0.06737931
# # Iteration 11, loss = 0.05911539
# # Iteration 12, loss = 0.06098091
# # Iteration 13, loss = 0.05412258
# # Iteration 14, loss = 0.05293271
# # Iteration 15, loss = 0.04915052
# # Iteration 16, loss = 0.04907510
# # Iteration 17, loss = 0.04609325
# # Iteration 18, loss = 0.04990013
# # Iteration 19, loss = 0.04260426
# # Iteration 20, loss = 0.04509487
# # 0.9664
# # 4
# # 20
# # 0.0450948664394
# # softmax

# 查看模型结果
print mlp.score(x_test_data,y_test_data)
print mlp.n_layers_
print mlp.n_iter_
print mlp.loss_
print mlp.out_activation_

六.neural_network中MLPClassifier各个参数

例如:mlp = MLPClassifier(solver=’sgd’, activation=’relu’,alpha=1e-4,hidden_layer_sizes=(50,50), random_state=1,max_iter=10,verbose=10,learning_rate_init=.1)

参数说明:

1. hidden_layer_sizes :例如hidden_layer_sizes=(50, 50)，表示有两层隐藏层，第一层隐藏层有50个神经元，第二层也有50个神经元。

2. activation :激活函数,{‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默认relu

- identity：f(x) = x

- logistic：其实就是sigmod,f(x) = 1 / (1 + exp(-x)).

- tanh：f(x) = tanh(x).

- relu：f(x) = max(0, x)

3. solver： {‘lbfgs’, ‘sgd’, ‘adam’}, 默认adam，用来优化权重

- lbfgs：quasi-Newton方法的优化器

- sgd：随机梯度下降

- adam： Kingma, Diederik, and Jimmy Ba提出的机遇随机梯度的优化器

注意：默认solver ‘adam’在相对较大的数据集上效果比较好（几千个样本或者更多），对小数据集来说，lbfgs收敛更快效果也更好。

4. alpha :float,可选的，默认0.0001,正则化项参数

5. batch_size : int , 可选的，默认’auto’,随机优化的minibatches的大小batch_size=min(200,n_samples)，如果solver是’lbfgs’，分类器将不使用minibatch

6. learning_rate :学习率,用于权重更新,只有当solver为’sgd’时使用，{‘constant’，’invscaling’, ‘adaptive’},默认constant

- ‘constant’: 有’learning_rate_init’给定的恒定学习率

- ‘incscaling’：随着时间t使用’power_t’的逆标度指数不断降低学习率learning_rate_ ，effective_learning_rate = learning_rate_init / pow(t, power_t)

- ‘adaptive’：只要训练损耗在下降，就保持学习率为’learning_rate_init’不变，当连续两次不能降低训练损耗或验证分数停止升高至少tol时，将当前学习率除以5.

7. power_t: double, 可选, default 0.5，只有solver=’sgd’时使用，是逆扩展学习率的指数.当learning_rate=’invscaling’，用来更新有效学习率。

8. max_iter: int，可选，默认200，最大迭代次数。

9. random_state:int 或RandomState，可选，默认None，随机数生成器的状态或种子。

10. shuffle: bool，可选，默认True,只有当solver=’sgd’或者‘adam’时使用，判断是否在每次迭代时对样本进行清洗。

11. tol：float, 可选，默认1e-4，优化的容忍度

12. learning_rate_int:double,可选，默认0.001，初始学习率，控制更新权重的补偿，只有当solver=’sgd’ 或’adam’时使用。

14. verbose : bool, 可选, 默认False,是否将过程打印到stdout

15. warm_start : bool, 可选, 默认False,当设置成True，使用之前的解决方法作为初始拟合，否则释放之前的解决方法。

16. momentum : float, 默认 0.9,动量梯度下降更新，设置的范围应该0.0-1.0. 只有solver=’sgd’时使用.

17. nesterovs_momentum : boolean, 默认True, Whether to use Nesterov’s momentum. 只有solver=’sgd’并且momentum > 0使用.

18. early_stopping : bool, 默认False,只有solver=’sgd’或者’adam’时有效,判断当验证效果不再改善的时候是否终止训练，当为True时，自动选出10%的训练数据用于验证并在两步连续迭代改善，低于tol时终止训练。

19. validation_fraction : float, 可选, 默认 0.1,用作早期停止验证的预留训练数据集的比例，早0-1之间，只当early_stopping=True有用

20. beta_1 : float, 可选, 默认0.9，只有solver=’adam’时使用，估计一阶矩向量的指数衰减速率，[0,1)之间

21. beta_2 : float, 可选, 默认0.999,只有solver=’adam’时使用估计二阶矩向量的指数衰减速率[0,1)之间

22. epsilon : float, 可选, 默认1e-8,只有solver=’adam’时使用数值稳定值。

属性说明：

- classes_:每个输出的类标签

- loss_:损失函数计算出来的当前损失值

- coefs_:列表中的第i个元素表示i层的权重矩阵

- intercepts_:列表中第i个元素代表i+1层的偏差向量

- n_iter_ ：迭代次数

- n_layers_:层数

- n_outputs_:输出的个数

- out_activation_:输出激活函数的名称。