如何使用 sklearn 更改 MLP 网络的学习率和隐藏层答案

【问题标题】：how change learnrate and hidden layers of a MLP network with sklearn如何使用 sklearn 更改 MLP 网络的学习率和隐藏层
【发布时间】：2021-07-15 20:01:33
【问题描述】：

我正在使用 sklearn.cross_validation.cross_val_score 函数对多层感知器进行交叉验证

from sklearn import svm
import numpy as np
from sklearn.model_selection import cross_val_score

clf = svm.SVC(gamma='auto')

scores = cross_val_score(clf, X, np.ravel(y), cv=5, scoring='accuracy')

交叉验证正在运行并返回 0.8579100145137881。如何使用 sklearn 更改学习率或隐藏层的数量？我想提高准确性。

【问题讨论】：

svm.SVC 是支持向量机分类器，而不是多层感知器。所以你的第一个问题是你使用了错误的 sklearn 函数。首先要做的是使用scikit-learn.org/stable/modules/generated/… 下的多层感知器（如果这真的是你想要的）。他们的文档（在同一个链接）清楚地解释了如何改变学习率和隐藏层的数量。
我如何使用这个多层感知器进行交叉验证？

标签： python scikit-learn neural-network artificial-intelligence mlp

【解决方案1】：

from sklearn import svm
import numpy as np

from sklearn.neural_network import MLPClassifier
clf = MLPClassifier(solver='sgd', hidden_layer_sizes=(4,4), learning_rate_init=0.05, activation='logistic', max_iter=30000)

from sklearn.model_selection import cross_val_score
scores = cross_val_score(clf, X, np.ravel(y), cv=5, scoring='accuracy')

【讨论】：