24.11.7

实验五：BP 神经网络算法实现与测试
一、实验目的
深入理解 BP 神经网络的算法原理，能够使用 Python 语言实现 BP 神经网络的训练与测试，并且使用五折交叉验证算法进行模型训练与评估。
二、实验内容
（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注意同分布取样）；
（2）使用训练集训练 BP 神经网络分类算法；
（3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选择；
（4）使用测试集，测试模型的性能，对测试结果进行分析，完成实验报告中实验五的部分。
三、算法步骤、代码、及结果

1. 算法伪代码
   加载 Iris 数据集
   使用 train_test_split 将数据划分为训练集和测试集，并保证类别分布一致
   初始化 BP 神经网络分类器（MLP），设置隐藏层大小为 100 个神经元，激活函数为 ReLU，优化算法为 Adam
   使用训练集对 BP 神经网络模型进行训练
   定义评估指标：准确度、加权精度、加权召回率、加权 F1 分数
   使用五折交叉验证评估模型的性能，并输出每个指标的得分和平均值
   使用测试集对训练好的模型进行预测，并生成分类报告
2. 算法主要代码
   完整源代码\调用库方法（函数参数说明）
   from sklearn.datasets import load_iris
   from sklearn.model_selection import train_test_split
   from sklearn.neural_network import MLPClassifier
   from sklearn.model_selection import cross_val_score
   from sklearn.metrics import classification_report

加载 Iris 数据集

iris = load_iris()
X = iris.data
y = iris.target

留出 1/3 数据作为测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=42, stratify=y)

print(f"训练集样本数: {len(X_train)}, 测试集样本数: {len(X_test)}")

train_test_split主要参数：

sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)

arrays：待划分的特征矩阵 X 和标签向量 y

test_size：测试集比例，默认为 None

取值范围：(0, 1) 表示比例；整数表示测试集样本数；若为 None，则自动计算

train_size：训练集比例，默认为 None。若 test_size 和 train_size 均为 None，则默认 test_size=0.25

random_state：随机种子，整型值使得结果可复现

shuffle：布尔值，是否在划分前打乱数据，默认为 True

stratify：按特定分布划分数据。通常为标签 y，保证训练集和测试集中类别分布一致

定义 BP 神经网络分类器

bp_classifier = MLPClassifier(hidden_layer_sizes=(100,), activation='relu', solver='adam', max_iter=1500, random_state=42)

MLPClassifier主要参数：

MLPClassifier(hidden_layer_sizes=(100,), activation='relu', solver='adam', max_iter=1500, random_state=42)

hidden_layer_sizes=(100,)：隐藏层大小。这里有 1 层，包含 100 个神经元。默认值：(100,)

activation='relu'：激活函数。默认值：'relu'。

其他值：'tanh'、'logistic'。

solver='adam'：优化算法。默认值：'adam'（适合中小型数据）。

其他值：'sgd'（随机梯度下降）、'lbfgs'（准牛顿法）。

max_iter=200：最大迭代次数。 默认值：200。

random_state=42：随机种子，用于权重初始化，保证可复现。

使用训练集训练模型

bp_classifier.fit(X_train, y_train)

print("BP 神经网络模型已训练完成。")

五折交叉验证评估指标

scoring_metrics = ['accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted']

for metric in scoring_metrics:
scores = cross_val_score(bp_classifier, X_train, y_train, cv=5, scoring=metric)
print(f"{metric.capitalize()} 的五折交叉验证得分: {scores}")
print(f"{metric.capitalize()} 的平均值: {scores.mean():.4f}")

cross_validate主要参数：

sklearn.model_selection.cross_validate(estimator, X, y=None, *, scoring=None, cv=None, n_jobs=None, verbose=0, fit_params=None, return_train_score=False, return_estimator=False, error_score=nan)

estimator：用于训练的模型，如 LogisticRegression()

X：特征矩阵

y：标签向量

scoring：评估指标，默认为 None，即使用模型默认评分标准

可选单个指标（如 'accuracy'）或列表（如 ['accuracy', 'precision_macro']）

cv：交叉验证折数，默认值 5

n_jobs：并行计算的线程数，默认为 None

-1 表示使用所有可用CPU

return_train_score：是否返回训练集分数，默认为 False

在测试集上进行预测

y_pred = bp_classifier.predict(X_test)

输出分类性能报告

report = classification_report(y_test, y_pred, target_names=iris.target_names)
print("测试集分类性能报告:\n", report)

classification_report主要参数：

sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn')

y_true：真实标签

y_pred：预测标签

target_names：类别标签的名称

digits：结果小数位数，默认为 2

output_dict：是否以字典形式返回，默认为 False

3. 训练结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

四、心得体会
通过本次实验，我深入理解了BP神经网络的算法原理，包括前向传播、误差计算以及反向传播中的梯度更新机制。在实践中，我使用Python成功实现了BP神经网络的训练与测试，并应用五折交叉验证对模型进行了训练与评估。这次实践不仅巩固了我的理论知识，也提升了我构建和优化神经网络的实际能力。