机器学习:python使用BP神经网络示例

1.简介(只是简单介绍下理论内容帮助理解下面的代码,如果自己写代码实现此理论不够)

       1) BP神经网络是一种多层网络算法,其核心是反向传播误差,即: 使用梯度下降法(或其他算法),通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。

      BP神经网络模型拓扑结构包括输入层(input)、隐藏层(hidden layer)和输出层(output layer),每层包含多个神经元。

      2)BP神经网络示例图

        机器学习:python使用BP神经网络示例_第1张图片

       上图就是一个简单的三层BP神经网络。网络共有6个单元,O0用于表示阈值,O1、O2为输入层,O3、O4为第一隐层,也是唯一隐层,O5为输出层单元。网络接收两个输入 ,发送一个输出 。每个单元接收一组输入,发送一个输出。 为权值,例如W40 表示O0与O4之间的权重。

     3)神经单元(计算单元)

        机器学习:python使用BP神经网络示例_第2张图片

           如上图所示,每个圆表示一个神经单元。其接收一组数据,经过计算输出一个数据。

     4)传播过程

          a)正向传递

               例如:从O1-->O4-->05,这是正向传递过程中的一个路径(O4除了接收O1,还接收O0、O2的输入)。这里重点说下权重,W41表示O1和O4之间的权重,假如O1=1,O4=4,W41=0.5,那么O5=1*4*0.5=2(2不是最终输出,最终输出还需要加上O0、O2 的计算结果).

          b)反向传递(过程比较复杂,这个表述不是特别精确,只是为了方便理解)

              例如:从O1<--O4<--05,在这个过程中,O5是计算出的值,参与计算的O4的值不是其本身的值,而是在正向传递过程中计算出的值(即输出值)。而权重也是这个过程中调整的。

 

2.MLPClassifier函数

       此函数是sklearn.neural_network中的函数,它是利用反向传播误差进行计算的多层感知器算法。

       a) 主要参数

               hidden_​​layer_sizes:隐藏层,例如:(5,2) 表示有2个隐藏层,第一隐藏层有5个神经单元,第二个隐藏层有2个神经单元;(5,2,4)表示有三个隐藏层。

               activation:激活函数,在反向传递中需要用到。有以下四个可选项:

                             'identity':无激活操作,有助于实现线性瓶颈, 返回 f(x) = x

                              'logistic':逻辑函数, 返回 f(x) = 1 / (1 + exp(-x)).

                               'tanh': 双曲线函数, 返回 f(x) = tanh(x).

                               'relu': 矫正线性函数, 返回 f(x) = max(0, x),(默认)

              solver:反向传播过程中采用的算法,有以下三个选项:

                         'lbfgs': 准牛顿算法.适用于较小数据集

                          'sgd': 随机梯度下降算法.

                          'adam':优化的随机梯度下降算法(默认)。适用于较大数据集

             alpha:L2惩罚系数

             learning_rate:学习速率,有以下几个选项:(只有当slver='sgd'时有用)

                          constant:参数learning_rate_init指定的恒定学习速率.(默认选项)

                          invscaling’:使用“scale_t”的反向缩放指数逐渐降低每个时间步长t 的学习率effective_learning_rate = learning_rate_init / pow(t,power_t)(power_t是另外一个参数)

                          adaptive: 自适应,只要损失不断下降就是用learning_rate_init。否则会自动调整(由另外一个参数tol决定)。

            learning_rate_init:初始学习速率

       b)属性

          coefs_:权重列表

          n_layers_:神经网络的总层数

3.示例一

          本示例使用的数据:机器学习:从编程的角度去理解逻辑回归 。在下面的参数情况下正确率95%。

import numpy as np
import os
import pandas as pd
from sklearn.neural_network import MLPClassifier

def loadDataSet():
    ##运行脚本所在目录
    base_dir=os.getcwd()
    ##记得添加header=None,否则会把第一行当作头
    data=pd.read_table(base_dir+r"\lr.txt",header=None)
    ##dataLen行dataWid列 :返回值是dataLen=100 dataWid=3
    dataLen,dataWid = data.shape
    ##训练数据集
    xList = []
    ##标签数据集
    lables = []
    ##读取数据
    for i in range(dataLen):
        row = data.values[i]
        xList.append(row[0:dataWid-1])
        lables.append(row[-1])
    return xList,lables


def GetResult():
    dataMat,labelMat=loadDataSet()
    clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
                        hidden_layer_sizes=(5,2), random_state=1)
    clf.fit(dataMat, labelMat)
    #print("层数----------------------")
    #print(clf.n_layers_)
    #print("权重----------------------")
    #for cf in clf.coefs_:
    #    print(cf)
    #print("预测值----------------------")
    y_pred=clf.predict(dataMat)
    m = len(y_pred)
    ##分错4个
    t = 0
    f = 0
    for i in range(m):
        if y_pred[i] ==labelMat[i]:
            t += 1
        else :
            f += 1
    print("正确:"+str(t))
    print("错误:"+str(f))

if __name__=='__main__':
    GetResult()

4.示例二(数据来源)

   这次使用的数据还是红酒。因为红酒的口感得分是整数,所以也可以当作是分类。但是针对此实验数据,在多次调整参数的过程中(主要是调整隐藏层)正确率最高只有61%。这正是BP神经网络的一个缺陷:隐含层的选取缺乏理论的指导。

    代码:

import numpy as np
import os
import pandas as pd
from sklearn.neural_network import MLPClassifier


##运行脚本所在目录
base_dir=os.getcwd()
##记得添加header=None,否则会把第一行当作头
data=pd.read_table(base_dir+r"\wine.txt",header=None,sep=';')
##dataLen行dataWid列 :返回值是dataLen=1599 dataWid=12
dataLen,dataWid = data.shape

##训练数据集
xList = []
##标签数据集
lables = []
##读取数据
for i in range(dataLen):
    row = data.values[i]
    xList.append(row[0:dataWid-1])
    lables.append(row[-1])
##设置训练函数
clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
                        hidden_layer_sizes=(14,14,30), random_state=1)
##开始训练数据
clf.fit(xList, lables) ##读取预测值 y_pred
=clf.predict(xList) m = len(y_pred) t = 0 f = 0 ##预测结果分析 for i in range(m): if int(y_pred[i]) == lables[i]: t += 1 else : f += 1 print("正确:"+str(t)) print("错误:"+str(f))

 

5.BP神经网络的缺点 

       1)容易形成局部极小值而得不到全局最优值。BP神经网络中极小值比较多,所以很容易陷入局部极小值,这就要求对初始权值和阀值有要求,要使得初始权值和阀值随机性足够好,可以多次随机来实现。
      2)训练次数多使得学习效率低,收敛速度慢。
      3)隐含层的选取缺乏理论的指导。
      4)训练时学习新样本有遗忘旧样本的趋势。(可以把最优的权重记录下来)

    

       

你可能感兴趣的:(机器学习:python使用BP神经网络示例)