來源：http://blog.csdn.net/liulingyuan6/article/details/53432429

多層感知機

演算法簡介：

        多層感知機是基於反向人工神經網路（feedforwardartificial neural network）。多層感知機含有多層節點，每層節點與網路的下一層節點完全連線。輸入層的節點代表輸入資料，其他層的節點通過將輸入資料與層上節點的權重w以及偏差b線性組合且應用一個啟用函式，得到該層輸出。多層感知機通過方向傳播來學習模型，其中我們使用邏輯損失函式以及L-BFGS。K＋1層多層感知機分類器可以寫成矩陣形式如下：

中間層節點使用sigmoid方程：

輸出層使用softmax方程：

輸出層中N代表類別數目。

引數：

featuresCol:

型別：字串型。

含義：特徵列名。

labelCol:

型別：字串型。

含義：標籤列名。

layers:

型別：整數陣列型。

含義：層規模，包括輸入規模以及輸出規模。

maxIter:

型別：整數型。

含義：迭代次數（>=0）。

predictionCol:

型別：字串型。

含義：預測結果列名。

seed:

型別：長整型。

含義：隨機種子。

stepSize:

型別：雙精度型。

含義：每次迭代優化步長。

tol:

型別：雙精度型。

含義：迭代演算法的收斂性。

示例：

Scala:

1. import org.apache.spark.ml.classification.MultilayerPerceptronClassifier  
2. import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator  
3. // Load the data stored in LIBSVM format as a DataFrame.  
4. val data = spark.read.format("libsvm")  
5.   .load("data/mllib/sample_multiclass_classification_data.txt")  
6. // Split the data into train and test  
7. val splits = data.randomSplit(Array(0.6, 0.4), seed = 1234L)  
8. val train = splits(0)  
9. val test = splits(1)  
10. // specify layers for the neural network:  
11. // input layer of size 4 (features), two intermediate of size 5 and 4  
12. // and output of size 3 (classes)  
13. val layers = Array[Int](4, 5, 4, 3)  
14. // create the trainer and set its parameters  
15. val trainer = new MultilayerPerceptronClassifier()  
16.   .setLayers(layers)  
17.   .setBlockSize(128)  
18.   .setSeed(1234L)  
19.   .setMaxIter(100)  
20. // train the model  
21. val model = trainer.fit(train)  
22. // compute accuracy on the test set  
23. val result = model.transform(test)  
24. val predictionAndLabels = result.select("prediction", "label")  
25. val evaluator = new MulticlassClassificationEvaluator()  
26.   .setMetricName("accuracy")  
27. println("Accuracy: " + evaluator.evaluate(predictionAndLabels))  

1. import org.apache.spark.sql.Dataset;  
2. import org.apache.spark.sql.Row;  
3. import org.apache.spark.sql.SparkSession;  
4. import org.apache.spark.ml.classification.MultilayerPerceptronClassificationModel;  
5. import org.apache.spark.ml.classification.MultilayerPerceptronClassifier;  
6. import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator;  
7. // Load training data
8. String path = "data/mllib/sample_multiclass_classification_data.txt";  
9. Dataset<Row> dataFrame = spark.read().format("libsvm").load(path);  
10. // Split the data into train and test
11. Dataset<Row>[] splits = dataFrame.randomSplit(newdouble[]{0.6, 0.4}, 1234L);  
12. Dataset<Row> train = splits[0];  
13. Dataset<Row> test = splits[1];  
14. // specify layers for the neural network:
15. // input layer of size 4 (features), two intermediate of size 5 and 4
16. // and output of size 3 (classes)
17. int[] layers = newint[] {4, 5, 4, 3};  
18. // create the trainer and set its parameters
19. MultilayerPerceptronClassifier trainer = new MultilayerPerceptronClassifier()  
20.   .setLayers(layers)  
21.   .setBlockSize(128)  
22.   .setSeed(1234L)  
23.   .setMaxIter(100);  
24. // train the model
25. MultilayerPerceptronClassificationModel model = trainer.fit(train);  
26. // compute accuracy on the test set
27. Dataset<Row> result = model.transform(test);  
28. Dataset<Row> predictionAndLabels = result.select("prediction", "label");  
29. MulticlassClassificationEvaluator evaluator = new MulticlassClassificationEvaluator()  
30.   .setMetricName("accuracy");  
31. System.out.println("Accuracy = " + evaluator.evaluate(predictionAndLabels));  

1. from pyspark.ml.classification import MultilayerPerceptronClassifier  
2. from pyspark.ml.evaluation import MulticlassClassificationEvaluator  
3. # Load training data
4. data = spark.read.format("libsvm")\  
5.     .load("data/mllib/sample_multiclass_classification_data.txt")  
6. # Split the data into train and test
7. splits = data.randomSplit([0.6, 0.4], 1234)  
8. train = splits[0]  
9. test = splits[1]  
10. # specify layers for the neural network:
11. # input layer of size 4 (features), two intermediate of size 5 and 4
12. # and output of size 3 (classes)
13. layers = [4, 5, 4, 3]  
14. # create the trainer and set its parameters
15. trainer = MultilayerPerceptronClassifier(maxIter=100, layers=layers, blockSize=128, seed=1234)  
16. # train the model
17. model = trainer.fit(train)  
18. # compute accuracy on the test set
19. result = model.transform(test)  
20. predictionAndLabels = result.select("prediction", "label")  
21. evaluator = MulticlassClassificationEvaluator(metricName="accuracy")  
22. print("Accuracy: " + str(evaluator.evaluate(predictionAndLabels)))