🐰

【図解】MLPClassifierの使い方まとめ【Python】

2022/11/10に公開

Python

上記の記事を読んでからだと、理解がより進むと思います。

Python の基礎を本にまとめています。併せてご覧いただけるととても嬉しいです ↓

DeepLearning の基礎を本にまとめています。手に取って頂けるととても喜びます ↓

みなさんの理解が一歩でも進めば嬉しいです。

Created by NekoAllergy

プログラムをみてみる

clf.py

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

iris = datasets.load_iris()
data_train, data_test, target_train, target_test = train_test_split(iris.data, iris.target)
clf = MLPClassifier()
clf.fit(data_train, target_train)
print(clf.score(data_test, target_test))

結果

0.9736842105263158

結果は0.9736なので、97.4％の精度が出ています。

この AI には、実はいろんなパラメータが設定できます。パラメータを変えると、結果も変わってきます。カスタマイズして、自分だけの AI を作りましょう。とっても楽しいです。

MLPClassifier()を 100％理解するために、
① パラメータを設定
② メソッドを実行
③ 属性を確認
という３つを紹介します。

より精度の良い、信頼できる分類モデルを作るためには必須の知識です！

一覧

① Parameters（パラメータ）は 23 個

MLPClassifier()に、いくつかの引数（Parameters/パラメータ）を渡すことで、いろいろな設定をすることができます。モデルにオプションを付けて、自分好みにカスタマイズできるってことです。

パラメータ 23 個

	パラメータの名前	何が設定できるか	デフォルトの値（初期値）	設定できる値
1	hidden_layer_sizes	層の数と、ニューロンの数を設定	(100,)	tuple 型の数値
2	activation	活性化関数を選択	'relu'	‘identity’, ‘logistic’, ‘tanh’, ‘relu’
3	solver	最適化手法を選択	'adam'	‘lbfgs’, ‘sgd’, ‘adam’
4	alpha	L2 正則化の penalty を設定	0.0001	float 型の数値
5	batch_size	ミニバッチのサイズを設定	'auto'	int 型の数値
6	learning_rate	重みの学習率の更新方法を選択	'constant'	‘constant’, ‘invscaling’, ‘adaptive’
7	learning_rate_init	重みの学習率の初期値を設定	0.001	double 型の数値（‘sgd’と‘adam’の場合のみ）
8	power_t	learning_rate の減少速度を設定	0.5	double 型の数値
9	max_iter	学習の反復の最大回数を設定	200	int 型の数値
10	shuffle	反復学習時のデータ・シャッフルの有無	TRUE	bool 型の数値(True, False)
11	random_state	乱数生成のためのインスタンスを設定	None	int 型の数値
12	tol	学習の収束値を設定	0.0001	float 型の数値
13	verbose	学習の進捗状況の表示の有無	FALSE	bool 型の数値(True, False)
14	warm_start	学習済みの重みを使うか設定	FALSE	bool 型の数値(True, False)
15	momentum	重みの修正量を設定	0.9	float 型の数値（‘sgd’の場合のみ）
16	nesterovs_momentum	重みの更新を設定	TRUE	bool 型の数値(True, False)
17	early_stopping	学習終了値を設定	FALSE	bool 型の数値(True, False)（‘sgd’と‘adam’の場合のみ）
18	validation_fraction	検証用データの割合を設定	0.1	float 型の数値
19	beta_1	adam の β1 値を設定	0.9	float 型の数値（‘adam’の場合のみ）
20	beta_2	adam の β2 値を設定	0.999	float 型の数値（‘adam’の場合のみ）
21	epsilon	adam の ε 値を設定	1.00E-08	float 型の数値（‘adam’の場合のみ）
22	n_iter_no_change	tol で収束しない場合の最大学習回数を設定	10	int 型の数値（‘sgd’と‘adam’の場合のみ）
23	max_fun	損失関数が呼び出される最大値を設定	15000	int 型の数値（‘lbfgs’の場合のみ）

② methods（メソッド）は 7 個

上記で作成したインスタンスにmethods（メソッド）を指示することで、命令を実行できます。

メソッド 7 個

	メソッドの名前	使い方	何するか
1	fit	fit(X, y)	モデルの学習
2	predict	predict(X)	学習済みモデルを使って予測
3	predict_proba	predict_proba(X)	学習済みモデルを使って予測クラスごとの確率あり
4	predict_log_proba	predict_log_proba(X)	学習済みモデルを使って予測クラスごとの確率あり(log 表記)
5	score	score(X, y, sample_weight=None)	学習済みモデルを使って平均精度を出す
6	get_params	get_params(deep=True)	モデルのパラメータを取得
7	set_params	set_params(**params)	モデルのパラメータを設定、変更

③ Attribute(属性)は 11 個

上記で作成したインスタンスのAttribute(属性)を確認することで、そのモデルの情報を知ることができます。

属性 11 個

	属性の名前	どんな情報が得られるか	【例】出力される値
1	classes_	class のラベル	[0 1 2]
2	loss_	最終的な Loss 値	0.183425193
3	bestloss	最も精度がいいタイミングの Loss	0.183425193
4	losscurve	Loss の推移	リスト型の(300, )の数値
5	t_	学習したサンプルの総数	36000
6	coefs_	重みの数値	リスト型の(4, 100)と(100, 3)の数値
7	intercepts_	バイアスの数値	リスト型の(100, )と(3, )の数値
8	niter	合計イテレーション数（繰り返し数）	300
9	nlayers	層の数	3
10	noutputs	出力層のニューロン数	3
11	outactivation	出力層の活性化関数	softmax

attribete.py

#classのラベル
print("classes_ : ", clf.classes_)

#最終的なLoss
print("loss_ : ", clf.loss_)

#最も精度がいいタイミングのLoss
print("best_loss_ : ", clf.best_loss_)

#Lossの推移
print("loss_curve_ : ", np.array(clf.loss_curve_).shape)

#学習したサンプルの総数（120データ×300イテレーション）
print("t_ : ", clf.t_)

#重みの数値　　１層目＝coefs_[0]　２層目＝coefs_[1]
print("coefs_ : ", np.array(clf.coefs_[0]).shape, np.array(clf.coefs_[1]).shape)

#バイアスの数値　　１層目＝intercepts_[0]　　２層目＝intercepts_[1]
print("intercepts_ : ", np.array(clf.intercepts_[0]).shape, np.array(clf.intercepts_[1]).shape)

#合計イテレーション数（繰り返し数）
print("n_iter_ : ", clf.n_iter_)

#層の数 （入力層　中間層　出力層）
print("n_layers_ : ", clf.n_layers_)

#出力層のニューロン数（0, 1, 2）
print("n_outputs_ : ", clf.n_outputs_)

#出力層の活性化関数
print("out_activation_ : ", clf.out_activation_)

結果

classes_ :  [0 1 2]
loss_ :  0.18342519272611615
best_loss_ :  0.18342519272611615
loss_curve_ :  (300,)
t_ :  36000
coefs_ :  (4, 100) (100, 3)
intercepts_ :  (100,) (3,)
n_iter_ :  300
n_layers_ :  3
n_outputs_ :  3
out_activation_ :  softmax

まとめ

今回は、scikit-learnのニューラルネットワーク（MLPClassifier）について、次の3つを紹介しました。

ぜひいろいろな数値を調整して試してみてください。

皆さんの理解が一歩でも進んだのなら嬉しいです。
フォロー ♻️、いいね 👍、サポート 🐱 お願いします。とっても嬉しいです。

機械学習をもっと詳しく

DeepLearning の基礎を本にまとめています。手に取って頂けるととても喜びます ↓

ねこアレルギーの AI
YouTube で機械学習について発信しています。お時間ある方は覗いていただけると喜びます。