partial_fit Sklearn 的 MLPClassifier

Question

我一直在尝试使用 Sklearn 的神经网络 MLPClassifier。我有一个大小为 1000 个实例（带有二进制输出）的数据集，我想应用一个带有 1 个隐藏层的基本神经网络。

问题是我的数据实例并非同时可用。在任何时间点，我只能访问 1 个数据实例。我认为 MLPClassifier 的 partial_fit 方法可以用于此，所以我用 1000 个输入的假想数据集模拟了这个问题，并一次循环输入一个，partial_fit 到每个实例，但是当我运行代码时，神经网络什么也没学到并且预测输出全为零。

我对可能导致问题的原因一无所知。任何想法都非常感谢。

from __future__ import division 
import numpy as np
from sklearn.datasets import make_classification
from sklearn.neural_network import MLPClassifier

#Creating an imaginary dataset
input, output = make_classification(1000, 30, n_informative=10, n_classes=2)
input= input / input.max(axis=0)
N = input.shape[0]
train_input = input[0:N/2,:]
train_target = output[0:N/2]

test_input= input[N/2:N,:]
test_target = output[N/2:N]

#Creating and training the Neural Net
clf = MLPClassifier(activation='tanh', algorithm='sgd', learning_rate='constant',
 alpha=1e-4, hidden_layer_sizes=(15,), random_state=1, batch_size=1,verbose= True,
 max_iter=1, warm_start=True)
classes=[0,1]
for j in xrange(0,100):
for i in xrange(0,train_input.shape[0]):
    input_inst = [train_input[i,:]]
    input_inst = np.asarray(input_inst)
    target_inst= [train_target[i]]
    target_inst = np.asarray(target_inst)
    clf=clf.partial_fit(input_inst,target_inst,classes)

#Testing the Neural Net
y_pred = clf.predict(test_input)
print y_pred

Answer 1

问题说明

问题在于multilayer_perceptron.py 中的第 895 行中的 self.label_binarizer_.fit(y)。

每当您调用clf.partial_fit(input_inst,target_inst,classes) 时，您都会调用self.label_binarizer_.fit(y)，在这种情况下，y 只有一个样本对应一个类。因此，如果最后一个样本属于 0 类，那么您的 clf 会将所有内容归类为 0 类。

解决方案

作为临时修复，您可以在第 895 行编辑 multilayer_perceptron.py。 在类似这个python2.7/site-packages/sklearn/neural_network/的目录中找到它

在第 895 行，更改，

self.label_binarizer_.fit(y)

到

if not incremental:
    self.label_binarizer_.fit(y)

else:
    self.label_binarizer_.fit(self.classes_)

这样，如果您使用partial_fit，那么self.label_binarizer_ 适合类而不是单个样本。

此外，您发布的代码可以更改为以下代码以使其正常工作，

from __future__ import division 
import numpy as np
from sklearn.datasets import make_classification
from sklearn.neural_network import MLPClassifier

#Creating an imaginary dataset
input, output = make_classification(1000, 30, n_informative=10, n_classes=2)
input= input / input.max(axis=0)
N = input.shape[0]
train_input = input[0:N/2,:]
train_target = output[0:N/2]

test_input= input[N/2:N,:]
test_target = output[N/2:N]

#Creating and training the Neural Net 
# 1. Disable verbose (verbose is annoying with partial_fit)

clf = MLPClassifier(activation='tanh', algorithm='sgd', learning_rate='constant',
 alpha=1e-4, hidden_layer_sizes=(15,), random_state=1, batch_size=1,verbose= False,
 max_iter=1, warm_start=True)

# 2. Set what the classes are
clf.classes_ = [0,1]

for j in xrange(0,100):
    for i in xrange(0,train_input.shape[0]):
       input_inst = train_input[[i]]
       target_inst= train_target[[i]]

       clf=clf.partial_fit(input_inst,target_inst)

    # 3. Monitor progress
    print "Score on training set: %0.8f" % clf.score(train_input, train_target)
#Testing the Neural Net
y_pred = clf.predict(test_input)
print y_pred

# 4. Compute score on testing set
print clf.score(test_input, test_target)

代码中有 4 个主要变化。这应该可以让您对训练集和测试集都有一个很好的预测！

干杯。