sklearn 神經網路MLPclassifier引數詳解
阿新 • • 發佈：2018-11-03
class sklearn.neural_network.MLPClassifier(hidden_layer_sizes=(100, ), activation=’relu’, solver=’adam’, alpha=0.0001, batch_size=’auto’, learning_rate=’constant’, learning_rate_init=0.001, power_t=0.5, max_iter=200, shuffle=True, random_state=None, tol=0.0001, verbose=False, warm_start=False, momentum=0.9, nesterovs_momentum=True, early_stopping=False, validation_fraction=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08, n_iter_no_change=10)[source]
| 引數 | 備註 |
|---|---|
| hidden_layer_sizes | tuple，length = n_layers - 2，預設值（100，）第i個元素表示第i個隱藏層中的神經元數量。 |
| 啟用 | {‘identity’，‘logistic’，‘tanh’，‘relu’}，預設’relu’ 隱藏層的啟用函式：‘identity’，無操作啟用，對實現線性瓶頸很有用，返回f（x）= x；‘logistic’，logistic sigmoid函式，返回f（x）= 1 /（1 + exp（-x））；‘tanh’，雙曲tan函式，返回f（x）= tanh（x）；‘relu’，整流後的線性單位函式，返回f（x）= max（0，x） |
| slover | {‘lbfgs’，‘sgd’，‘adam’}，預設’adam’。權重優化的求解器：'lbfgs’是準牛頓方法族的優化器；'sgd’指的是隨機梯度下降。'adam’是指由Kingma，Diederik和Jimmy Ba提出的基於隨機梯度的優化器。注意：預設解算器“adam”在相對較大的資料集（包含數千個訓練樣本或更多）方面在訓練時間和驗證分數方面都能很好地工作。但是，對於小型資料集，“lbfgs”可以更快地收斂並且表現更好。 |
| alpha | float，可選，預設為0.0001。L2懲罰（正則化項）引數。 |
| batch_size | int，optional，預設’auto’。用於隨機優化器的minibatch的大小。如果slover是’lbfgs’，則分類器將不使用minibatch。設定為“auto”時，batch_size = min（200，n_samples） |
| learning_rate | {‘常數’，‘invscaling’，‘自適應’}，預設’常數"。 用於權重更新。僅在solver ='sgd’時使用。'constant’是’learning_rate_init’給出的恆定學習率；'invscaling’使用’power_t’的逆縮放指數在每個時間步’t’逐漸降低學習速率learning_rate_， effective_learning_rate = learning_rate_init / pow（t，power_t）；只要訓練損失不斷減少，“adaptive”將學習速率保持為“learning_rate_init”。每當兩個連續的時期未能將訓練損失減少至少tol，或者如果’early_stopping’開啟則未能將驗證分數增加至少tol，則將當前學習速率除以5。 |
| learning_rate_init | double，可選，預設為0.001。使用初始學習率。它控制更新權重的步長。僅在solver ='sgd’或’adam’時使用。 |
| power_t | double，可選，預設為0.5。反縮放學習率的指數。當learning_rate設定為“invscaling”時，它用於更新有效學習率。僅在solver ='sgd’時使用。 |
| max_iter | int，optional，預設值200。最大迭代次數。solver迭代直到收斂（由’tol’確定）或這個迭代次數。對於隨機解算器（‘sgd’，‘adam’），請注意，這決定了時期的數量（每個資料點的使用次數），而不是梯度步數。 |
| shuffle | bool，可選，預設為True。僅在solver ='sgd’或’adam’時使用。是否在每次迭代中對樣本進行洗牌。 |
| random_state | int，RandomState例項或None，可選，預設無隨機數生成器的狀態或種子。如果是int，則random_state是隨機數生成器使用的種子;如果是RandomState例項，則random_state是隨機數生成器;如果為None，則隨機數生成器是np.random使用的RandomState例項。 |
| tol | float，optional，預設1e-4 優化的容忍度，容差優化。當n_iter_no_change連續迭代的損失或分數沒有提高至少tol時，除非將learning_rate設定為’adaptive’，否則認為會達到收斂並且訓練停止。 |
| verbose | bool，可選，預設為False 是否將進度訊息列印到stdout。 |
| warm_start | bool，可選，預設為False，設定為True時，重用上一次呼叫的解決方案以適合初始化，否則，只需擦除以前的解決方案。請參閱詞彙表。 |
| momentum | float，預設0.9，梯度下降更新的動量。應該在0和1之間。僅在solver ='sgd’時使用。 |
| nesterovs_momentum | 布林值，預設為True。是否使用Nesterov的勢頭。僅在solver ='sgd’和momentum> 0時使用。 |
| early_stopping | bool，預設為False。當驗證評分沒有改善時，是否使用提前停止來終止培訓。如果設定為true，它將自動留出10％的訓練資料作為驗證，並在驗證得分沒有改善至少為n_iter_no_change連續時期的tol時終止訓練。僅在solver ='sgd’或’adam’時有效 |
| validation_fraction | float，optional，預設值為0.1。將訓練資料的比例留作早期停止的驗證集。必須介於0和1之間。僅在early_stopping為True時使用 |
| beta_1 | float，optional，預設值為0.9，估計一階矩向量的指數衰減率應為[0,1)。僅在solver ='adam’時使用 |
| beta_2 | float，可選，預設為0.999,估計一階矩向量的指數衰減率應為[0,1)。僅在solver ='adam’時使用 |
| epsilon | float，optional，預設值1e-8, adam穩定性的價值。 僅在solver ='adam’時使用 |
| n_iter_no_change | int，optional，預設值10,不符合改進的最大曆元數。 僅在solver ='sgd’或’adam’時有效 |
| 屬性 | 備註 |
|---|---|
| classes_ | array or list of array of shape （n_classes，）每個輸出的類標籤。 |
| loss_ | float,使用損失函式計算的當前損失。 |
| coefs_ | list，length n_layers - 1,列表中的第i個元素表示對應於層i的權重矩陣。 |
| intercepts_ | list，length n_layers - 1,列表中的第i個元素表示對應於層i + 1的偏置向量。 |
| n_iter_ | int，迭代次數。 |
| n_layers_ | int,層數。 |
| n_outputs_ | int,輸出的個數。 |
| out_activation_ | string，輸出啟用函式的名稱。 |
| 方法 | 備註 |
|---|---|
| fit（X，y） | 使模型適合資料矩陣X和目標y。 |
| get_params（[deep]） | 獲取此估算器的引數。 |
| predict（X） | 使用多層感知器分類器進行預測 |
| predict_log_proba（X） | 返回概率估計的對數。 |
| predict_proba（X） | 概率估計。 |
| score（X，y [，sample_weight]） | 返回給定測試資料和標籤的平均準確度。 |
| set_params（** params） | 設定此估算器的引數。 |