sklearn 神经网络MLPclassifier参数详解

class sklearn.neural_network.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)[source]
参数 备注
hidden_​​layer_sizes tuple,length = n_layers - 2,默认值(100,)第i个元素表示第i个隐藏层中的神经元数量。
激活 {‘identity’,‘logistic’,‘tanh’,‘relu’},默认’relu’ 隐藏层的激活函数:‘identity’,无操作激活,对实现线性瓶颈很有用,返回f(x)= x;‘logistic’,logistic sigmoid函数,返回f(x)= 1 /(1 + exp(-x));‘tanh’,双曲tan函数,返回f(x)= tanh(x);‘relu’,整流后的线性单位函数,返回f(x)= max(0,x)
slover {‘lbfgs’,‘sgd’,‘adam’},默认’adam’。权重优化的求解器:'lbfgs’是准牛顿方法族的优化器;'sgd’指的是随机梯度下降。'adam’是指由Kingma,Diederik和Jimmy Ba提出的基于随机梯度的优化器。注意:默认解算器“adam”在相对较大的数据集(包含数千个训练样本或更多)方面在训练时间和验证分数方面都能很好地工作。但是,对于小型数据集,“lbfgs”可以更快地收敛并且表现更好。
alpha float,可选,默认为0.0001。L2惩罚(正则化项)参数。
batch_size int,optional,默认’auto’。用于随机优化器的minibatch的大小。如果slover是’lbfgs’,则分类器将不使用minibatch。设置为“auto”时,batch_size = min(200,n_samples)
learning_rate {‘常数’,‘invscaling’,‘自适应’},默认’常数"。 用于权重更新。仅在solver ='sgd’时使用。'constant’是’learning_rate_init’给出的恒定学习率;'invscaling’使用’power_t’的逆缩放指数在每个时间步’t’逐渐降低学习速率learning_rate_, effective_learning_rate = learning_rate_init / pow(t,power_t);只要训练损失不断减少,“adaptive”将学习速率保持为“learning_rate_init”。每当两个连续的时期未能将训练损失减少至少tol,或者如果’early_stopping’开启则未能将验证分数增加至少tol,则将当前学习速率除以5。
learning_rate_init double,可选,默认为0.001。使用初始学习率。它控制更新权重的步长。仅在solver ='sgd’或’adam’时使用。
power_t double,可选,默认为0.5。反缩放学习率的指数。当learning_rate设置为“invscaling”时,它用于更新有效学习率。仅在solver ='sgd’时使用。
max_iter int,optional,默认值200。最大迭代次数。solver迭代直到收敛(由’tol’确定)或这个迭代次数。对于随机解算器(‘sgd’,‘adam’),请注意,这决定了时期的数量(每个数据点的使用次数),而不是梯度步数。
shuffle bool,可选,默认为True。仅在solver ='sgd’或’adam’时使用。是否在每次迭代中对样本进行洗牌。
random_state int,RandomState实例或None,可选,默认无随机数生成器的状态或种子。如果是int,则random_state是随机数生成器使用的种子;如果是RandomState实例,则random_state是随机数生成器;如果为None,则随机数生成器是np.random使用的RandomState实例。
tol float,optional,默认1e-4 优化的容忍度,容差优化。当n_iter_no_change连续迭代的损失或分数没有提高至少tol时,除非将learning_rate设置为’adaptive’,否则认为会达到收敛并且训练停止。
verbose bool,可选,默认为False 是否将进度消息打印到stdout。
warm_start bool,可选,默认为False,设置为True时,重用上一次调用的解决方案以适合初始化,否则,只需擦除以前的解决方案。请参阅词汇表。
momentum float,默认0.9,梯度下降更新的动量。应该在0和1之间。仅在solver ='sgd’时使用。
nesterovs_momentum 布尔值,默认为True。是否使用Nesterov的势头。仅在solver ='sgd’和momentum> 0时使用。
early_stopping bool,默认为False。当验证评分没有改善时,是否使用提前停止来终止培训。如果设置为true,它将自动留出10%的训练数据作为验证,并在验证得分没有改善至少为n_iter_no_change连续时期的tol时终止训练。仅在solver ='sgd’或’adam’时有效
validation_fraction float,optional,默认值为0.1。将训练数据的比例留作早期停止的验证集。必须介于0和1之间。仅在early_stopping为True时使用
beta_1 float,optional,默认值为0.9,估计一阶矩向量的指数衰减率应为[0,1)。仅在solver ='adam’时使用
beta_2 float,可选,默认为0.999,估计一阶矩向量的指数衰减率应为[0,1)。仅在solver ='adam’时使用
epsilon float,optional,默认值1e-8, adam稳定性的价值。 仅在solver ='adam’时使用
n_iter_no_change int,optional,默认值10,不符合改进的最大历元数。 仅在solver ='sgd’或’adam’时有效
属性 备注
classes_ array or list of array of shape (n_classes,)每个输出的类标签。
loss_ float,使用损失函数计算的当前损失。
coefs_ list,length n_layers - 1,列表中的第i个元素表示对应于层i的权重矩阵。
intercepts_ list,length n_layers - 1,列表中的第i个元素表示对应于层i + 1的偏置矢量。
n_iter_ int,迭代次数。
n_layers_ int,层数。
n_outputs_ int,输出的个数。
out_activation_ string,输出激活函数的名称。
方法 备注
fit(X,y) 使模型适合数据矩阵X和目标y。
get_params([deep]) 获取此估算器的参数。
predict(X) 使用多层感知器分类器进行预测
predict_log_proba(X) 返回概率估计的对数。
predict_proba(X) 概率估计。
score(X,y [,sample_weight]) 返回给定测试数据和标签的平均准确度。
set_params(** params) 设置此估算器的参数。

你可能感兴趣的:(机器学习,sklearn,详解代码)