机器学习—神经网络算法—调sklearn库实现(Accuracy、Precision、Recall、F1-score)

最新推荐文章于 2024-04-19 10:39:43 发布

原创

最新推荐文章于 2024-04-19 10:39:43 发布 · 4.1k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #神经网络 #手写底层 #调库实现

本文通过sklearn库实现神经网络算法，对手写数字数据集进行识别，详细展示了神经网络的调库实现过程，包括数据预处理、模型训练、评估指标计算等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关于神经网络算法的推导及手写底层的实现，在下面的超链接中详细的总结了，现在我们来用sklearn库来快速实现神经网络算法的操作。

神经网络算法的推导及手写代码实现

1、神经网络算法的调库实现

import matplotlib.pyplot as plt
import numpy as np

#导入sklearn.neural_network库
from sklearn.neural_network import MLPClassifier

#导入统计相关库     混淆矩阵 分类报告
from sklearn.metrics import confusion_matrix,classification_report

#设置正常显示汉字、负号
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

#导入手写数字识别数据集
#手写数字识别数据集imgX: 共包含5000个数据，分为10类，每个数据包含400属性
#标签集labely: 共包含50 00个数据，每个数据为数字1-10
#独立属性: 数据包含400个独立属性, 代表每个手写数字图像的点阵数据

X = np.loadtxt(r'E:\PC_Project\machine learning1\day10\imagesData.txt',delimiter=',')
y = np.loadtxt(r'E:\PC_Project\machine learning1\day10\labelsData.txt',delimiter=',')

#数据预处理
def preprocess(X,y):
    #进行0-1缩放特征
    X_min = np.min(X)
    X_max = np.max(X)
    X = (X-X_min)/(