Python数据科学:神经网络
# 使用GridSearchCV进行最优参数搜索
param_grid = {
# 模型隐层数量
'hidden_layer_sizes': [(10, ), (15, ), (20, ), (5, 5)],
# 激活函数
'activation': ['logistic', 'tanh', 'relu'],
# 正则化系数
'alpha': [0.001, 0.01, 0.1, 0.2, 0.4, 1, 10]
}
mlp = MLPClassifier(max_iter=1000)
# 选择roc_auc作为评判标准,4折交叉验证,n_jobs=-1使用多核CPU的全部线程
gcv = GridSearchCV(estimator=mlp, param_grid=param_grid,
scoring='roc_auc', cv=4, n_jobs=-1)
gcv.fit(scaled_train_data, train_target)
输出最优参数的模型的情况。
# 输出最优参数下模型的得分
print(gcv.best_score_)
# 输出值为0.9258018987136855
# 输出最优参数下模型的参数
print(gcv.best_params_)
# 输出参数值为{'alpha': 0.01, 'activation': 'tanh', 'hidden_layer_sizes': (5, 5)}
# 使用指定数据集输出最优模型预测的平均准确度
print(gcv.score(scaler_test_data, test_target))
# 输出值为0.9169384823390232
模型的roc_auc最高得分为0.92,即该模型下的ROC曲线下面积为0.92。
较之前的0.9149,提高了一点点。
模型的最优参数,激活函数为relu类型,alpha为0.01,隐藏层节点数为15个。
模型的预测平均准确率为0.9169,较之前的0.8282,提高了不少。
最新活动更多
-
直播回顾进入直播>> 智能医疗设备测试的挑战
-
4月18-19日立即报名 >> OFweek 2024(第十三届)中国机器人产业大会
-
4月26日立即报名 >> 【线上研讨会】TDK模块化电容器、电能质量解决方案
-
4月30日免费下载 >> SPM31智能功率模块助力降低供暖和制冷能耗,打造可持续未来!
-
4月30日限时免费下载>> 高动态范围(eHDR)成像设计指南
-
5月10日立即下载>> 【是德科技】精选《汽车 SerDes 发射机测试》白皮书
推荐专题
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论