Algoritmus vícevrstvého perceptronu (MLP) s backpropagací.
Vstupy
- Data: vstupní datový soubor
- Preprocesor: metody předzpracování
Výstupy
- Žák: vícevrstvý algoritmus učení perceptronu
- Model: vyškolený model
Neural Network Widget využívá sklearn Multi-navrstvit perceptron algoritmus , který může učit non-lineární modely, stejně jako lineární.
- Název, pod nímž se objeví v jiných widgetech. Výchozí název je „Neural Network“.
- Nastavit parametry modelu:
- Neurony na skrytou vrstvu: definovaný jako i-tý prvek představuje počet neuronů v i-té skryté vrstvě. Např. Neurální síť se 3 vrstvami může být definována jako 2, 3, 2.
- Aktivační funkce skryté vrstvy:
- Identita: aktivace bez obsluhy, užitečné pro implementaci lineárního úzkého hrdla
- Logistic: logistic sigmoid function
- tanh: hyperbolická funkce tan
- ReLu: funkce rektifikované lineární jednotky
- Řešitel pro optimalizaci hmotnosti:
- L-BFGS-B: optimalizátor v rodině kvazi-newtonských metod
- SGD: sestup stochastického gradientu
- Adam: stochastický optimalizátor založený na gradientu
- Alfa: parametr L2 penalizace (termín regularizace)
- Maximální počet iterací: maximální počet iterací
- Vytvořte zprávu.
- Když je políčko zaškrtnuto ( Použít automaticky ), widget bude komunikovat změny automaticky. Případně klikněte na Použít .
Příklady
Prvním příkladem je klasifikační úkol na datovém souboru iris . Porovnáme výsledky Neuronové sítě s Logistickou regresí .
Druhým příkladem je predikční úkol, který stále používá data duhovky . Tento pracovní postup ukazuje, jak používat výstup studenta . Vložíme Neural Network predikční model do Předpovědi a dodržovat předpovězené hodnoty.
Komentáře
Okomentovat