神经网络用于分类

神经网络用于分类

# =============神经网络用于分类=============
from sklearn.neural_network import MLPClassifier
import csv
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

data=[]
traffic_feature=[]
traffic_target=[]
csv_file = csv.reader（open（‘data.csv‘））
for content in csv_file:
    content=list（map（floatcontent））
    if len（content）!=0:
        data.append（content）
        traffic_feature.append（content[0:6]）
        traffic_target.append（content[-1]）
#print（‘data=‘data）
#print（‘traffic_feature=‘traffic_feature）
#print（‘traffic_target=‘traffic_target）
scaler = StandardScaler（） # 标准化转换
scaler.fit（traffic_feature）  # 训练标准化对象
traffic_feature= scaler.transform（traffic_feature）   # 转换数据集
feature_train feature_test target_train target_test = train_test_split（traffic_feature traffic_target test_size=0.3random_state=0）
# 神经网络输入为2，第一隐藏层神经元个数为5，第二隐藏层神经元个数为2，输出结果为2分类。
# solver=‘lbfgs‘  MLP的求解方法：L-BFGS 在小数据上表现较好，Adam 较为鲁棒，
# SGD在参数调整较优时会有最佳表现（分类效果与迭代次数）SGD标识随机梯度下降。
clf =  MLPClassifier（solver=‘lbfgs‘ alpha=1e-5hidden_layer_sizes=（3020） random_state=1）#分类函数
clf.fit（feature_traintarget_train）
predict_results=clf.predict（feature_test）
print（accuracy_score（predict_results target_test））
conf_mat = confusion_matrix（target_test predict_results）
print（conf_matpredict_results）
print（classification_report（target_test predict_results））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1809  2020-11-22 19:17  神经网络用于分类.py
     文件         648  2020-11-13 13:58  data.csv