sklearn.neural_network.MLPClassifier参数说明

---

sklearn.neural_network.MLPClassifier

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)

• hidden_layer_sizes ：tuple，第i个元素表示第i个隐藏层的神经元个数。
• activation ：隐藏层激活函数，identity、logistic、tanh、relu。
• solver ：权重优化算法，lbfgs、sgd、adam。
• alpha ：正则化项参数。
• batch_size ：随机优化的minibatches的大小。
• learning_rate ：学习率，constant、invscaling、adaptive。
• learning_rate_init ：初始学习率。只有当solver为sgd或adam时才使用。
• power_t ：逆扩展学习率的指数，只有当solver为sgd时才使用。
• max_iter ：最大迭代次数。
• shuffle ：是否在每次迭代时对样本进行清洗，当solver为sgd或adam时使用。
• random_state ：随机数种子。
• tol ：优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。
• verbose ：是否将过程打印出。
• warm_start ：是否使用之前的解决方法作为初始拟合。
• momentum ：梯度下降的动量，介于0到1之间，solver为sgd时使用。
• nesterovs_momentum ：是否使用Nesterov动量。
• early_stopping ：判断当验证效果不再改善时是否终止训练。
• validation_fraction ：用作早起停止验证的预留训练集的比例，0到1之间。
• beta_1 ：估计一阶矩向量的指数衰减速率，[0,1)之间。
• beta_2 ：估计二阶矩向量的指数衰减速率，[0,1)之间。
• epsilon ：数值稳定值，solver为adam时使用。

返回值属性说明

• classes_ ：每个输出的类标签，大小为(n_classes,)。
• loss_ ：损失函数计算出的当前损失值。
• 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个元素表示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。

返回值方法说明

• fit(X,y) ：拟合。
• get_params() ：获取参数。
• predict(X) ：进行预测。
• predict_log_proba(X) ：对数概率估计。
• predict_proba(X) ：概率估计。
• score(X, y) ：返回给定测试数据和标签的平均准确度。
• set_params() ：设置参数。

from sklearn.neural_network import MLPClassifier

X = [[0., 0.], [1., 1.]]

y = [0, 1]

clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(5,2), random_state=1)

clf.fit(X, y)

clf.predict([[2., 2.], [-1., -2.]])