Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- 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]))
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement