Directorio de artículos
Descripción del problema
提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
A través de métodos experimentales (selección del tipo de clasificador, método de optimización, función de activación), diseñe un clasificador "óptimo" para el conjunto de datos de dígitos escritos a mano y el conjunto de datos de iris.
欢迎大家交流技术，如果有任何问题可以私聊我，期待你们的关注
método
Utilizo tres clasificadores: SVM, MLP y SGD, y especifico diferentes parámetros para cada clasificador. SVM establece diferentes valores de parámetros del kernel, incluidos 'linear', 'poly', 'rbf', 'sigmoid'; MLP Establece diferentes optimizadores de solucionador, incluyendo 'adam', 'lbfgs', 'sgd', las funciones de activación de activación incluyen 'tanh', 'relu', 'logistic', 'identity'; SGD establece diferentes pérdidas que incluyen 'bisagra', 'log', 'modified_huber', 'squared_hinge', 'perceptrón'. Luego clasifique y pruebe los conjuntos de datos de dígitos escritos a mano para estos diferentes clasificadores, juzgue el desempeño de cada clasificador de acuerdo con la precisión de la prueba, coloque la precisión de cada clasificador en un diccionario y la clave del diccionario es la clasificación El nombre del clasificador, el valor del diccionario es la tasa de precisión correspondiente al clasificador, y finalmente se obtiene el mejor clasificador y su tasa de precisión.
optim = ['adam', 'lbfgs', 'sgd']
act = ['tanh', 'relu', 'logistic', 'identity']
ker = ['linear', 'poly', 'rbf', 'sigmoid']
opt = ['hinge', 'log', 'modified_huber', 'squared_hinge', 'perceptron']
Visualización de resultados
Después de la verificación experimental, el uso de SVM y la función de suma de rbf puede obtener una tasa de precisión de clasificación final del 98,9 % en el conjunto de datos de reconocimiento de dígitos escritos a mano.
Para el conjunto de datos del iris, los clasificadores con mejor rendimiento incluyen MLP que usa el optimizador de adam y la función de activación logística, MLP que usa el optimizador de adam y la función de activación de tanh, MLP que usa el optimizador de adam y la función de activación de identidad, MLP usa el optimizador sgd y la función de activación de tanh, MLP usa sgd optimizador y función de activación de identidad, MLP utiliza el optimizador lbfgs y el clasificador de función de activación de identidad, estos pueden hacer que la tasa de precisión alcance el 100%.
El rendimiento de los clasificadores para diferentes conjuntos de datos es diferente y es necesario experimentar con conjuntos de datos en diferentes situaciones para obtener los parámetros óptimos del clasificador.