《人工智能与机器学习》
实验报告
年级__xxxx__________ 专业________xxxxxx__________ 学号____________631507xxxx___________ 姓名_____________gllh________________
日期___________2024-5-25__
实验七神经网络算法
一、实验目的
1、要求掌握神经网络算法的基本原理、了解神经网络算法的执行过程。 2、在此基础上，利用多层神经网络算法对给定样本数据实现分类。
实验类型：验证性 计划课间：2学时
二、实验内容
1、了解神经网络算法的网络结构 2、了解神经网络的反向传播过程；
3、对给定样本数据选择合适的网络层数和神经元个数实现分类过程；
三、实验步骤
1、数据集读入
本实验选用男女生身高体重数据集：
在数据集中将女生划分为1，男生划分为2，如截图所示
sex = pd.read_csv('fafa.csv', names = [\sex.head()
sex.describe().transpose() sex.shape
2、数据预处理，根据需要进行标准化，归一化处理 X = sex.drop('devided',axis=1) y = sex['devided']
3、将数据集划分为训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y) scaler = StandardScaler() scaler.fit(X_train) 4、利用训练数据构建模型
mlp = MLPClassifier(hidden_layer_sizes=(20,51,51),max_iter=5000) mlp.fit(X_train,y_train) 5、用测试数据评价模型的性能
predictions = mlp.predict(X_test)
总代码：
import pandas as pd
from sklearn.preprocessing import StandardScaler from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report,confusion_matrix
def readdata(data):
sex = pd.read_csv(data, names = [\ sex.head()
sex.describe().transpose()
sex.shape
X = sex.drop('devided',axis=1) y = sex['devided']
X_train, X_test, y_train, y_test = train_test_split(X, y) scaler = StandardScaler() scaler.fit(X_train)
X_train = scaler.transform(X_train) X_test = scaler.transform(X_test)
mlp = MLPClassifier(hidden_layer_sizes=(55, 55, 55),max_iter=5000) mlp.fit(X_train,y_train)
predictions = mlp.predict(X_test)
print(confusion_matrix(y_test,predictions)) print(classification_report(y_test,predictions))
print(len(mlp.coefs_)) print(len(mlp.coefs_[0])) print(len(mlp.intercepts_[0]))
if __name__ =='__main__': file='fafa.csv' readdata(file)
实验结果：
四、实验结果分析 实验得出如下结果：
在实验中将最大迭代次数设为5000，
接下来我们创建一个模型的实例，可以自定义很多参数，只定义 hidden_layer_sizes 参数。此参数传入的是一个元组，表示计划在每个层的神经元数量，其中元组中的第55个元素表示 MLP 模型第55层中的神经元数量。有很多参数可供选择，但是为了简单起见，我们将选择具有相同数量神经元的2层神经网络，每层的神经元数量与数据的特征数相同（55），并将最大迭代次数设置为 5000次。 即：
mlp = MLPClassifier(hidden_layer_sizes=(55,55,55),max_iter=5000)
[[30 10] [ 2 40]]
precision recall f1-score support
机器学习神经网络算法
