• 神经网络(深度学习)----MLPClassifier库的初尝试


    神经网络(深度学习)

    一些被称为神经网络的算法以"深度学习"为名成为主流。

    虽然深度学习在许多机器学习应用中都有巨大的潜力,但深度学习算法往往经过精确调整,只适用于特定的使用场景。

    这里只讨论一些相对简单的方法,即用于分类和回归的多层感知机(multilayer perceptron, MLP),它可以作为研究更复杂的深度学习方法的起点。MLP 也被称为前馈神经网络,有时也被称为神经网络。

    神经网络模型

    MLP 可以被视为广义的线性模型,执行多层处理后得到结论。

    或许还记得线性回归的预测公式为:

    y ^ = w [ 0 ] ∗ x [ 0 ] + w [ 1 ] ∗ x [ 1 ] + . . . + w [ p ] ∗ x [ p ] + b \hat{y} = w[0]*x[0] + w[1]*x[1] + ... + w[p]*x[p] + b y^=w[0]x[0]+w[1]x[1]+...+w[p]x[p]+b

    简单来说, y ^ \hat{y} y^是输入特征x[0]到x[p]的加权求和,权重为学到的系数w[0]到w[p]。

    可以将该公式可视化,如下图

    import mglearn                               #导入mglearn库
    from IPython.display import display         #导入display可视化方法
    
    display(mglearn.plots.plot_logistic_regression_graph())         #绘制逻辑回归图形
    
    • 1
    • 2
    • 3
    • 4

    在这里插入图片描述

    上图中,左边的每个结点代表一个输入特征,连线代表学到的系数,右边的结点代表输出,是输入的加权求和。

    在 MLP 中,多次重复这个计算加权求和的过程,首先计算代表中间过程的隐单元(hidden unit),然后再计算这些隐单元的加权求和并得到最终结果。

    如下图

    display(mglearn.plots.plot_single_hidden_layer_graph())         #输出隐层的图形结果
    
    • 1

    在这里插入图片描述

    这个模型需要学习更多的系数(也叫做权重): 在每个输入与每个隐单元(隐单元组成了隐层)之间有一个系数,在每个隐单元与每个输出之间也有一个系数。

    从数学的角度看,计算一系列加权求和与只计算一个加权求和是完全相同的,因此,为了让这个模型真正比线性模型更为强大,这里还需要一个技巧。

    在计算完每个隐单元的加权求和之后,对结果再应用一个非线性函数----通常为校正非线性(rectifying nonlinearity, 也叫校正线性单元或relu)或正切双曲线(tangens hyperbolicus, tanh)

    之后将该函数的结果加权求和,得到输出 y ^ \hat{y} y^

    该两个函数的可视化图形如下

    import matplotlib.pyplot as plt
    
    line = np.linspace(-3,3,50)                                 #从-3到3划分为 50份
    plt.plot(line, np.tanh(line), label='tanh')                 #绘制tanh图像
    plt.plot(line, np.maximum(0, line), label='relu')           #绘制relu图像
    plt.legend(loc='best')
    
    plt.xlabel('x')
    plt.ylabel('relu(x), tanh(x)')
    
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    Text(0, 0.5, 'relu(x), tanh(x)')
    
    • 1

    在这里插入图片描述

    所以,对于上述的小型神经网络,计算回归问题的 y ^ \hat{y} y^ 的完整公式如下(使用tanh非线性):

    { h [ 0 ] = t a n h ( w [ 0 , 0 ] ∗ x [ 0 ] + w [ 1 , 0 ] ∗ x [ 1 ] + w [ 2 , 0 ] ∗ x [ 2 ] + w [ 3 , 0 ] ∗ x [ 3 ] + b [ 0 ] ) h [ 1 ] = t a n h ( w [ 0 , 0 ] ∗ x [ 0 ] + w [ 1 , 0 ] ∗ x [ 1 ] + w [ 2 , 0 ] ∗ x [ 2 ] + w [ 3 , 0 ] ∗ x [ 3 ] + b [ 1 ] ) h [ 2 ] = t a n h ( w [ 0 , 0 ] ∗ x [ 0 ] + w [ 1 , 0 ] ∗ x [ 1 ] + w [ 2 , 0 ] ∗ x [ 2 ] + w [ 3 , 0 ] ∗ x [ 3 ] + b [ 2 ] ) y ^ = v [ 0 ] ∗ h [ 0 ] + v [ 1 ] ∗ h [ 1 ] + v [ 2 ] ∗ h [ 2 ] + b \begin {cases} h[0] = tanh(w[0,0]*x[0] + w[1,0]*x[1] + w[2,0]*x[2] + w[3,0]*x[3] + b[0])\\ h[1] = tanh(w[0,0]*x[0] + w[1,0]*x[1] + w[2,0]*x[2] + w[3,0]*x[3] + b[1])\\ h[2] = tanh(w[0,0]*x[0] + w[1,0]*x[1] + w[2,0]*x[2] + w[3,0]*x[3] + b[2])\\ \hat{y} = v[0]*h[0] + v[1]*h[1] + v[2]*h[2] + b \end {cases} h[0]=tanh(w[0,0]x[0]+w[1,0]x[1]+w[2,0]x[2]+w[3,0]x[3]+b[0])h[1]=tanh(w[0,0]x[0]+w[1,0]x[1]+w[2,0]x[2]+w[3,0]x[3]+b[1])h[2]=tanh(w[0,0]x[0]+w[1,0]x[1]+w[2,0]x[2]+w[3,0]x[3]+b[2])y^=v[0]h[0]+v[1]h[1]+v[2]h[2]+b

    其中,w是输入x与隐层h之间的权重,v是隐层h与输出 y ^ \hat{y} y^之间的权重。

    权重 w 和权重 v 需要从数据中学习得到,x 是输入特征, y ^ \hat{y} y^是计算得到的输出,h是计算的中间结果。

    神经网络可以有多个隐层,如下图所示

    mglearn.plots.plot_two_hidden_layer_graph()
    
    • 1

    在这里插入图片描述

    这些由许多计算层组成的大型神经网络,正是术语"深度学习"的灵感来源。

    神经网络调参

    假如将MPLClassifier应用到前面用过的two_moons数据集上,会出现什么效果呢?

    默认情况(1层hidden层,包含100个隐单元hidden unit)
    from sklearn.datasets import make_moons                          #导入数据集
    from sklearn.neural_network import MLPClassifier                #导入前馈神经网络分类器
    from sklearn.model_selection import train_test_split             #导入数据集分离函数
    import mglearn
    
    X, y = make_moons(n_samples=100, noise=0.25, random_state=3)      #获取到数据集
    X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
    
    mlp = MLPClassifier(solver='lbfgs', random_state=0).fit(X_train, y_train)         #训练数据集
    mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3)                      #绘制出分界线
    mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train)                     #显示出所有点
    
    plt.xlabel('feature 0')
    plt.ylabel('feature 1')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    Text(0, 0.5, 'feature 1')
    
    • 1

    在这里插入图片描述

    可以看到,神经网络分类的效果十分有效,学到的决策边界完全是非线性的,但相对平滑。

    减少隐单元个数

    默认情况下,MLP使用100个隐结点,但对于这个小型数据集来说已经相当多了。我们可以减少其数量,仍然可以得到好的结果。

    from sklearn.datasets import make_moons                          #导入数据集
    from sklearn.neural_network import MLPClassifier                #导入前馈神经网络分类器
    from sklearn.model_selection import train_test_split             #导入数据集分离函数
    import mglearn
    
    X, y = make_moons(n_samples=100, noise=0.25, random_state=3)      #获取到数据集
    X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
    
    mlp = MLPClassifier(solver='lbfgs', random_state=0, hidden_layer_sizes=[10]).fit(X_train, y_train)        #训练数据集
    mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3)                                        #绘制出分界线
    mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train)                                              #显示出所有点
    
    plt.xlabel('feature 0')
    plt.ylabel('feature 1')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    Text(0, 0.5, 'feature 1')
    
    • 1

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tmYOMCNk-1663221628023)(output_29_2.png)]

    只有10个隐单元时,决策边界看起来更加参差不齐。默认的非线性是relu。

    如果使用单隐层,那么决策函数将有10个直线段组成。如果想要得到更加平滑的决策边界,可以添加更多的隐单元,添加第二个隐层或者使用tanh非线性。

    添加多层隐层

    如下代码,添加第二个隐层,每个隐层包含10个隐单元(激活函数为relu):

    from sklearn.datasets import make_moons                          #导入数据集
    from sklearn.neural_network import MLPClassifier                #导入前馈神经网络分类器
    from sklearn.model_selection import train_test_split             #导入数据集分离函数
    import mglearn
    
    X, y = make_moons(n_samples=100, noise=0.25, random_state=3)      #获取到数据集
    X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
    
    mlp = MLPClassifier(solver='lbfgs', random_state=0, hidden_layer_sizes=[10, 10]).fit(X_train, y_train)       #训练数据集,此时存在2个隐层
    mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3)                                           #绘制出分界线
    mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train)                                                 #显示出所有点
    
    plt.xlabel('feature 0')
    plt.ylabel('feature 1')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    Text(0, 0.5, 'feature 1')
    
    • 1

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K6927t6I-1663221628024)(output_33_1.png)]

    切换激活函数

    依旧添加第二个隐层,每个包含10个单元,这次使用tanh非线性(激活函数为tanh):

    from sklearn.datasets import make_moons                          #导入数据集
    from sklearn.neural_network import MLPClassifier                #导入前馈神经网络分类器
    from sklearn.model_selection import train_test_split             #导入数据集分离函数
    import mglearn
    
    X, y = make_moons(n_samples=100, noise=0.25, random_state=3)      #获取到数据集
    X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
    
    mlp = MLPClassifier(solver='lbfgs', random_state=0, activation='tanh', hidden_layer_sizes=[10, 10])        #训练数据集,2个隐层,tanh函数
    mlp.fit(X_train, y_train)                                                                                   #训练数据
    mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3)                                         #绘制出分界线
    mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train)                                               #显示出所有点
    
    plt.xlabel('feature 0')
    plt.ylabel('feature 1')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    Text(0, 0.5, 'feature 1')
    
    • 1

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0pit8DnT-1663221628025)(output_36_2.png)]

    正则化操作

    MLP分类器中也存在alpha正则化参数,默认值为0.0001。

    同前,alpha越小,正则化程度越小,模型较为复杂;alpha越大,正则化程度越大,模型较为简单。

    fig, axes = plt.subplots(2, 4, figsize=(20, 8))
    for axx, n_hidden_nodes in zip(axes, [10, 100]):                          #循环所有显示面板
        for ax, alpha in zip(axx, [0.0001, 0.01, 0.1, 1]):                    #不断变更alpha正则化参数
            
            #实例化MLP神经网络
            mlp = MLPClassifier(solver='lbfgs', random_state=0, hidden_layer_sizes=[n_hidden_nodes, n_hidden_nodes], alpha=alpha)
            mlp.fit(X_train, y_train)                                                                                  #训练数据
            mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3, ax=ax)                                 #绘制分界线
            mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train, ax=ax)                                       #绘制所有的数据点
            ax.set_title('n_hidden=[{}, {}]\nalpha={:.4f}'.format(n_hidden_nodes, n_hidden_nodes, alpha))              #添加标签
            
            
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6l1lUSmL-1663221628027)(output_39_1.png)]

    现在,我们可以明白,控制神经网络复杂度的方法有很多种:

    • 隐层的个数
    • 每个隐层的隐单元
    • 正则化alpha
    随机化种子的影响

    需要注意的是,在初始化定义MLP神经网络时,特征或隐单元的权重一般为随机设置的,这种初始化会影响模型学到的结果。如下

    fig, axes = plt.subplots(2, 4, figsize=(20, 8))
    for i, ax in enumerate(axes.ravel()):
        mlp = MLPClassifier(solver='lbfgs', random_state=i, hidden_layer_sizes=[100,100])           #定义前馈神经网络模型
        mlp.fit(X_train, y_train)                                                                    #训练数据集
        mglearn.plots.plot_2d_separator(mlp, X_train, fill=True, alpha=.3, ax=ax)                   #绘制分界线
        mglearn.discrete_scatter(X_train[:,0], X_train[:,1], y_train, ax=ax)                         #绘制所有的数据点
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-buCc5fyO-1663221628029)(output_43_0.png)]

    但是若网络很大,且复杂度选择合理的话,这应该不会对精度有太大影响,但是较小的网络需要注意这一点。

    MLP分类器的实际应用

    现在将MLPClassifier应用在乳腺癌数据集上。测试如下:

    from sklearn.datasets import load_breast_cancer               #引入数据集
    from sklearn.neural_network import MLPClassifier              #引入MLP神经网络分类器
    from sklearn.model_selection import train_test_split          #引入数据集分割函数
    
    cancer = load_breast_cancer()                                  #加载数据集
    X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=0)           #拆分数据集
    
    mlp = MLPClassifier(random_state=42)                           #加载神经网络模型
    mlp.fit(X_train, y_train)                                      #训练数据集
    
    print('Accuracy on training set:{}'.format(mlp.score(X_train, y_train)))                              #输出训练集预测准确度
    print('Accuracy on test set:{}'.format(mlp.score(X_test, y_test)))                                    #输出测试集预测准确度
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    Accuracy on training set:0.9389671361502347
    Accuracy on test set:0.916083916083916
    
    • 1
    • 2

    MLP的精度较好,但是没有其它的模型好。

    数据预处理(缩放)

    与较早的SVC例子相同,原因可能在于数据的缩放。神经网络也要求所有输入特征的变化范围相似,最理想的情况是均值为0、方差为1。

    现在需要对数据进行缩放。

    mean_on_training = X_train.mean(axis=0)                            #求每一列特征的平均值
    std_on_training = X_train.std(axis=0)                              #求每一列特征的标准差
    
    #training_scale数据集中的特征列均值为0,标准差为1
    X_training_scale = (X_train-mean_on_training)/std_on_training        #数据集减去每个特征的均值。再除以标准差
    X_test_scale = (X_test-mean_on_training)/std_on_training             #同样地对测试集数据进行测试
    
    mlp = MLPClassifier(random_state=42)                                 #加载神经网络模型
    mlp.fit(X_training_scale, y_train)                                   #训练数据集
    
    print('Accuracy on training set:{}'.format(mlp.score(X_training_scale, y_train)))             #输出训练集预测准确度
    print('Accuracy on test set:{}'.format(mlp.score(X_test_scale, y_test)))                      #输出测试集预测准确度
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    Accuracy on training set:0.9929577464788732
    Accuracy on test set:0.965034965034965
    
    • 1
    • 2

    可以看到,预测的准确度有了显著的提升。

    不过存在过拟合的现象,可以加大正则化程度提高泛化程度。

    增加正则程度

    此时选择增加alpha的值来增大正则化,再来测试预测的准确度。

    mean_on_training = X_train.mean(axis=0)                            #求每一列特征的平均值
    std_on_training = X_train.std(axis=0)                              #求每一列特征的标准差
    
    #training_scale数据集中的特征列均值为0,标准差为1
    X_training_scale = (X_train-mean_on_training)/std_on_training        #数据集减去每个特征的均值。再除以标准差
    X_test_scale = (X_test-mean_on_training)/std_on_training             #同样地对测试集数据进行测试
    
    mlp = MLPClassifier(random_state=42, alpha=1)                        #加载神经网络模型, 增加alpha到 1
    mlp.fit(X_training_scale, y_train)                                   #训练数据集
    
    print('Accuracy on training set:{}'.format(mlp.score(X_training_scale, y_train)))             #输出训练集预测准确度
    print('Accuracy on test set:{}'.format(mlp.score(X_test_scale, y_test)))                      #输出测试集预测准确度
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    Accuracy on training set:0.9859154929577465
    Accuracy on test set:0.9790209790209791
    
    • 1
    • 2

    此时,该神经网络的预测准确度达到了97.9%,表现十分不错。

    分析特征的权重

    虽然可以分析神经网络学到了什么,但这通常比分析线性模型或基于树的模型更为复杂。

    要想观察模型学到了什么,一种方法是查看模型的权重

    import matplotlib.pyplot as plt
    plt.figure(figsize=(20,5))                                               #显示面板
    plt.imshow(mlp.coefs_[0], interpolation='none', cmap='viridis')
    plt.yticks(range(30), cancer.feature_names)
    plt.xlabel('Columns in weight matrix')
    plt.ylabel('Input feature')
    plt.colorbar()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    
    
    • 1

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-p7fL1aEX-1663221628030)(output_59_1.png)]

    可以推断,如果某个特征对所有隐单元的权值都很小,可以认为该特征对模型来说"不太重要",反之亦然。

    优、缺点和参数

    神经网络模型的优点之一是能够获得大量数据中包含的信息,并构建无比复杂的模型。

    但是通常需要仔细地进行数据预处理,并调节相关参数。

  • 相关阅读:
    Symfony Vue 教程
    【搭建私人图床】本地PHP搭建简单Imagewheel云图床,在外远程访问
    深入浅出Pytorch中的计算细节_input/output
    数据中心浸没液冷中冷却液关键问题研究
    面试进阶双飞,Alibaba新产SpringBoot深度历险(嵩山版)开源
    Java:Java有多流行,有哪些主要应用程序?
    保险从业人员有RFP理财规划师证的优势有哪些?
    JAVA毕业设计剧院售票系统计算机源码+lw文档+系统+调试部署+数据库
    centos7下部署oracle 11g
    SD NAND 的 SDIO在STM32上的应用详解(中篇)
  • 原文地址:https://blog.csdn.net/weixin_43479947/article/details/126869972