mlp-classifier

Classe “MLPClassifier” §

A classe MLPClassifier do módulo sklearn.neural_network é uma implementação do algoritmo de rede neural multilayer perceptron (MLP) para classificação de dados. MLP é uma arquitetura de rede neural artificial que consiste em várias camadas, incluindo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. Essa classe é utilizada para criar e treinar redes neurais MLP para tarefas de classificação.

A seguir a explicação dos principais parâmetros da classe MLPClassifier:

• hidden_layer_sizes: Este é um parâmetro crucial que define a arquitetura da rede neural. Ele especifica o número de neurônios em cada camada oculta. Você pode fornecer uma tupla de inteiros, onde cada número representa o número de neurônios em uma camada oculta. Por exemplo, (100, 50) cria uma rede neural com duas camadas ocultas, a primeira com 100 neurônios e a segunda com 50 neurônios.

• activation: Este parâmetro define a função de ativação utilizada nos neurônios. Opções comuns são ‘relu’ (Rectified Linear Unit) para ativação ReLU, ‘logistic’ para função sigmoid e ‘tanh’ para tangente hiperbólica.

• solver: Este parâmetro define o algoritmo de otimização utilizado para ajustar os pesos da rede. As opções incluem ‘adam’ (uma versão otimizada do gradiente descendente estocástico), ‘sgd’ (gradiente descendente estocástico) e ‘lbfgs’ (algoritmo Broyden-Fletcher-Goldfarb-Shanno).

• alpha: É o parâmetro de regularização que controla a penalização dos pesos para evitar overfitting. Quanto maior o valor de alpha, mais forte é a regularização.

• learning_rate: Esse parâmetro controla a taxa de aprendizado para a atualização dos pesos. As opções incluem ‘constant’ (taxa de aprendizado constante), ‘adaptive’ (taxa de aprendizado diminui ao longo do tempo) e ‘invscaling’ (taxa de aprendizado diminui por um fator constante ao longo do tempo).

• max_iter: Número máximo de iterações (épocas) durante o treinamento.

• random_state: Semente para a geração de números aleatórios, que influencia na inicialização dos pesos da rede.

• verbose: Controla a quantidade de informações exibidas durante o treinamento. Se for definido o valor True, será exibido a iteração (época) e o valor de perda.

• tol: Tolerância para critério de parada do treinamento. O treinamento para quando a diferença entre as atualizações consecutivas dos pesos for menor que o valor especificado no parâmetro tol.

Abaixo um exemplo exemplo de uso do MLPClassifier:

from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
import pickle
 
# Carregar o conjunto de dados Iris
with open("data.pkl", "rb") as file:
    X_train, y_train, X_test, y_test = pickle.load(file)
 
# Criar e treinar um MLPClassifier
clf = MLPClassifier(hidden_layer_sizes=(100, 50), activation='relu', solver='adam', max_iter=1000)
clf.fit(X_train, y_train)
 
# Fazer previsões
predictions = clf.predict(X_test)
 
# Avaliar o desempenho do modelo
accuracy = accuracy_score(y_test, predictions)
print(f'Acurácia: {accuracy}')

Essa classe permite criar redes neurais MLP para tarefas de classificação, permitindo que você ajuste a arquitetura da rede, os hiperparâmetros de treinamento e outras configurações importantes. É uma ferramenta poderosa para resolver problemas de classificação usando redes neurais artificiais de forma eficaz.