机器学习基本模型与算法在线实验闯关

第5关：神经网络分类模型及其应用

为了完成本关任务，你需要掌握：1．数据获取及训练样本构建，2．预测样本的构建，3神经网络回归模型构建，4.利用MLPClassifier创建神经网络分类对象clf

数据获取及训练样本构建

读取data.xlsx表数据，在 5.2 基础上，取数据集前 600 条记录作为训练数据

1. #取数据集前 600 条记录作为训练数据
2. x=df.iloc[:600,:15].values
3. y=df.iloc[:600,15].values

输出：

预测样本的构建

在 5.2 基础上，取数据集后 90 条记录作为测试

1. #后 90 条记录作为测试
2. x1=df.iloc[600:,:15].values
3. y1=df.iloc[600:,15].values

输出：

神经网络分类模型构建

构建神经网络模型，输出其模型准确率和预测准确率。 先导入神经网络分类模块MLPClassifier，再调用clf对象中三个方法，其中分别为fit()方法进行网络训练；score ()方法，获得神经网络的预测准确率，这是针对训练数据；调用clf对象中的predict()方法可以对测试样本进行预测，获得预测结果。

1. #导入神经网络回归模块MLPRegressor。
2. from sklearn.neural_network import MLPClassifier
3. #调用clf对象中的fit()方法进行网络训练。
4. clf.fit(x, y)
5. #调用clf对象中的score ()方法，获得神经网络回归的拟合优度（判决系数）。
6. rv=clf.score(x,y)
7. #调用clf对象中的predict()可以对测试样本进行预测，获得预测结果。
8. R=clf.predict(x1)
9. #计算准确率
10. Z=R-y1
11. Rs=len(Z[Z==0])/len(Z)
12. print('模型准确率为：',rv)
13. print('预测结果准确率为：',Rs)

输出：模型准确率为： 0.895
预测结果准确率为： 0.8444444444444444

利用MLPClassifier创建神经网络分类对象clf

MLPClassifier创建神经网络分类对象clf，其中需要用到的参数有很多 参数说明： solver：神经网络优化求解算法，包括lbfgs、sgd、adam 3种，默认值为adam。 alpha：模型训练误差，默认值为0.0001。 hidden_layer_sizes：隐含层神经元个数，如果是单层神经元，设置具体数值即可，本例中隐含层有两层，即5×2。 random_state：默认设置为0即可。 max_iter：设置最大迭代次数。

1. clf = MLPClassifier(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5,2), random_state=0, max_iter=1000)

编程要求

根据提示，在右侧编辑器补充代码，实现神经网络分类模型构建。

测试说明

平台会对你编写的代码进行测试。

---

开始你的任务吧，祝你成功！

任务代码

#********** Begin **********#
#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据
#构建神经网络分类模型，返回计算结果模型准确率rv和预测准确率r
def return_values():
    import numpy as np
    import warnings 
    # 忽略收敛警告
    warnings.filterwarnings("ignore")
    #导入神经网络回归模块MLPRegressor。
    from sklearn.neural_network import MLPClassifier
    X1=np.load('X1.npy') #经过缺失值填充、数值变量标准化后的数据集，numpy数组690*15
    Y=np.load('Y.npy')   #因变量，numpy数组，690个元素
    x = X1[:600,:]     
    y = Y[:600]
    x1 = X1[600:,:]     
    y1 = Y[600:]
    clf = MLPClassifier(solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5,2),       random_state=0, max_iter=1000)
    clf.fit(x,y) 
    rv=clf.score(x,y)
    R=clf.predict(x1)
    Z=R-y1
    r=len(Z[Z==0])/len(Z)
    #print('模型准确率为：',r)
    #print('预测准确率为：',r)
    return(rv,r)
    
#********** End **********#