23、机器学习中的多层感知器、受限玻尔兹曼机、自编码器等模型实践

最新推荐文章于 2025-12-04 22:05:42 发布

open4

最新推荐文章于 2025-12-04 22:05:42 发布

阅读量35

点赞数

CC 4.0 BY-SA版权

分类专栏：六步玩转Python机器学习文章标签：机器学习多层感知器受限玻尔兹曼机

本文链接：https://blog.youkuaiyun.com/open4/article/details/152439639

六步玩转Python机器学习专栏收录该内容

25 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

机器学习中的多层感知器、受限玻尔兹曼机、自编码器等模型实践

1. 数据可视化与Scikit - learn MLP关键参数

在进行机器学习模型训练之前，我们通常需要对数据有一个直观的认识。以下代码用于绘制前32个样本：

fig = plt.figure(figsize = (8,8))
fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, 
wspace=0.05)
for i in range(32):
    ax = fig.add_subplot(8, 8, i+1, xticks=[], yticks=[])
    ax.imshow(digits.images[i], cmap=plt.cm.gray_r)
ax.text(0, 1, str(digits.target[i]), bbox=dict(facecolor='white'))

这里我们共有1797个样本。接下来，我们看看Scikit - learn MLP模型的关键参数：
| 参数 | 说明 | 默认值 |
| — | — | — |
| hidden_layer_sizes | 隐藏层数量和每层神经元数量，如(5,3,3)表示三层隐藏层，每层神经元数分别为5、3、3 | (100,) |
| activation | 隐藏层激活函数，有’relu’、’logistic’、’identity’、’tanh’可选 | ‘relu’ |
| solver | 权重优化器，有’adam’、’lbfgs’