机器学习 实验五

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

# 导入必要的库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split, cross_val_score from sklearn.neural_network import MLPClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score import numpy as np   # 实验步骤1：从scikit-learn库中加载iris数据集，并留出1/3的样本作为测试集 iris = load_iris() X, y = iris.data, iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=42)  # 留出1/3作为测试集   # 实验步骤2：使用训练集训练BP神经网络分类算法 # 创建MLPClassifier实例，设置隐藏层神经元个数和激活函数 mlp = MLPClassifier(hidden_layer_sizes=(10, 10), activation='relu', max_iter=1000, random_state=42) mlp.fit(X_train, y_train)  # 训练模型   # 实验步骤3：使用五折交叉验证对模型性能进行评估和选择 scores = cross_val_score(mlp, X_train, y_train, cv=5, scoring='accuracy')  # 五折交叉验证准确度 print(f"五折交叉验证准确度: {np.mean(scores):.2f} (+/- {np.std(scores):.2f})")   # 实验步骤4：使用测试集测试模型的性能，并分析测试结果 y_pred = mlp.predict(X_test)  # 使用模型进行预测   # 计算性能指标 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred, average='macro') recall = recall_score(y_test, y_pred, average='macro') f1 = f1_score(y_test, y_pred, average='macro')   print(f"测试集准确度: {accuracy:.2f}") print(f"测试集精度: {precision:.2f}") print(f"测试集召回率: {recall:.2f}") print(f"测试集F1值: {f1:.2f}")   # 实验报告中需要包含的分析和讨论 # 在这里，你可以根据上述性能指标的结果，分析模型的性能，讨论可能的改进方法等。# 导入必要的库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split, cross_val_score from sklearn.neural_network import MLPClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score import numpy as np   # 实验步骤1：从scikit-learn库中加载iris数据集，并留出1/3的样本作为测试集 iris = load_iris() X, y = iris.data, iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=42)  # 留出1/3作为测试集   # 实验步骤2：使用训练集训练BP神经网络分类算法 # 创建MLPClassifier实例，设置隐藏层神经元个数和激活函数 mlp = MLPClassifier(hidden_layer_sizes=(10, 10), activation='relu', max_iter=1000, random_state=42) mlp.fit(X_train, y_train)  # 训练模型   # 实验步骤3：使用五折交叉验证对模型性能进行评估和选择 scores = cross_val_score(mlp, X_train, y_train, cv=5, scoring='accuracy')  # 五折交叉验证准确度 print(f"五折交叉验证准确度: {np.mean(scores):.2f} (+/- {np.std(scores):.2f})")   # 实验步骤4：使用测试集测试模型的性能，并分析测试结果 y_pred = mlp.predict(X_test)  # 使用模型进行预测   # 计算性能指标 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred, average='macro') recall = recall_score(y_test, y_pred, average='macro') f1 = f1_score(y_test, y_pred, average='macro')   print(f"测试集准确度: {accuracy:.2f}") print(f"测试集精度: {precision:.2f}") print(f"测试集召回率: {recall:.2f}") print(f"测试集F1值: {f1:.2f}")   # 实验报告中需要包含的分析和讨论 # 在这里，你可以根据上述性能指标的结果，分析模型的性能，讨论可能的改进方法等。