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)/(