机器学习，如何使用MLPClassifier神经网络分类器做预测？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

目前接触到的机器学习任务都比较简单，基本套路都是处理获取数据，然后一部分作为训练集，一部分作为测试数据。然后应用到不同的机器学习的分类器，先训练然后做识别。如果从宏观上来说的话，套路都比较类似。只是数据分类器不同罢了。那么，本文中说的新的分类器，叫做神经网络分类器MLPClassifier。

大家好，这里是苏南大叔的平行空间笔记本博客，这里介绍苏南大叔和计算机代码的故事。本文描述机器学习中的神经网络分类器MLPClassifier的简单使用方式。测试环境：win10，python@3.6.8，sklearn@0.24.2。

基本思路

在前面的文章里面，已经学习了两个机器学习的数据分类器。分别是：

• https://seosn.com/say/sklearn-multinomialnb.html
• https://seosn.com/say/sklearn-gaussiannb.html

这些分类器处理过的模型，可以保存为文件，下次使用的时候，直接加载即可。参考文章：

• https://seosn.com/say/python-joblib.html

分类器预测的结果，也可以保存为csv文件或者xls文件。参考文章：

• https://seosn.com/say/pandas-dataframe-to_csv.html

准备数据

需求本身准备了两个excel文件，其中一个data_train.xlsx用于训练，另外一个data_predict.xlsx用于预测。
字段有四个，分别是：注册天数，学习时长，金币数量，是否会员。除了“是否会员”外，数据类型上都是整数，否则在使用分类器的时候，会报错。

from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd

df_fit = pd.read_excel("data_train.xlsx", header=0)
X = df_fit.iloc[:, 0:3]
y = df_fit['是否会员']

神经网络分类器（调试参数）

鉴于MLPClassifier有几个参数，可以先利用已知数据，调整一下参数看看准确度情况。

model_MLPClassifier = MLPClassifier(activation='logistic', max_iter=1000, hidden_layer_sizes=(50, 50, 50))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)
model_MLPClassifier.fit(X_train, y_train)
score_trainset = model_MLPClassifier.score(X_train, y_train)*100
score_testset = model_MLPClassifier.score(X_test, y_test)*100
print("训练集预测准确率：%.2f%%" % score_trainset)
print("测试集预测准确率：%.2f%%" % score_testset)

如果对准确度满意的话，就可以使用对应参数，获得下面的语句：

model_MLPClassifier = MLPClassifier(activation='logistic', max_iter=1000, hidden_layer_sizes=(50, 50, 50))
model_MLPClassifier.fit(X, y)

当然，可以把这个model_MLPClassifier保存为训练结果文件，以便下次直接使用。

预测结果

如果大家做过多次这种类似的训练的话，就会知道，最终的预测结果实际上也是个概率的问题，只是某种结果的可能性更大而已。如果看预测结果，那么可以使用：

X_pred = df_pred.iloc[:, 0:3]
results = model_MLPClassifier.predict(X_pred)
print(results)

如果想看到预测结果的倾向性，可以使用：

results = model_MLPClassifier.predict_proba(X_pred) * 100
results_df = pd.DataFrame(np.around(results, 2), columns=['非会员概率', '会员概率'])
print(results)

至于这里的两列为啥前面是“非会员”，后面是“会员”。苏南大叔是这么理解的，因为false和true，两者还可以用0和1来描述。那么，零所代表的false排序在前面，所以... 如果理解的不对，欢迎留言指正。

相关文章

• https://seosn.com/say/sklearn-multinomialnb.html
• https://seosn.com/say/sklearn-gaussiannb.html
• https://seosn.com/say/python-joblib.html

综述

机器学习的这些分类器框架还是比较成熟简单的，目前来看，这些分类器之间也就是参数的不同，使用方式都是非常雷同的。苏南大叔个人觉得这个预测的过程，就有些像是根据一堆数据盲猜的过程，其实分类器对于某个数字代表什么意思，是大一些比较好，还是小一些比较好，都是无感的。

至于这些分类器的背后，包含着什么样的逻辑，请参考苏南大叔的后续文章。

• https://seosn.com/tag/sklearn/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。