simple_neural_network_mlp_sklearn_class_iteractive

import os
import ipdb
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score



#usar valores de 0 a 1, ou de -1 a 1
X = [[0, 0], [0, 1], [1, 0], [1, 1]]
Y = [0, 1, 1, 0]


clf = MLPClassifier(solver='sgd', hidden_layer_sizes=(5),
                    activation='tanh',
                    learning_rate='constant',
                    learning_rate_init=0.2,
                    momentum=0,
                    max_iter=1,
                    warm_start=True,
                    random_state=0)

for i in range(100):
    clf.fit(X, Y)
    predictedY = clf.predict(X)
    accuracy = accuracy_score(Y, predictedY)
    print('epoch: %i  \t accuracy: %f' %(i,accuracy))


#similar a clf.score(X,Y)

print("Exatidão: %f" %accuracy)

# visualizar os pesos
print("Coeficientes: %s" %clf.coefs_)
#  Cada elemento i da lista representa a matriz de coeficientes da camada correspondente
#  em cada elemento, cada linha é referente a uma entrada,
#                    cada coluna é referente a um neurônio da camada

# visualizar o número de iterações rodadas
print("Número de iterações: %d" %clf.n_iter_)

for i,x in enumerate(X):
    print("Entrada: %s \t Saída: %s" %(x,clf.predict([x])[0]))