2024.11.26

机器学习实验五

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

1. 加载数据集

    - 使用 sklearn 提供的鸢尾花数据集。

   

2. 数据划分

    - 使用 `train_test_split` 将数据集划分为训练集和测试集，确保测试集占 1/3，且类别分布一致。

   

3. 训练 BP 神经网络

    - 初始化一个多层感知机（MLP）模型，设置两个隐藏层，分别有 10 和 5 个神经元。

    - 使用 ReLU 激活函数，Adam 优化算法，最大迭代次数设置为 2000，训练 BP 神经网络模型。

   

4. 五折交叉验证

    - 使用 `cross_validate` 对模型进行五折交叉验证，计算并输出每一折的准确率、精度、召回率、F1 值等指标。

   

5. 测试集评估

    - 使用测试集预测，计算准确率、精度、召回率、F1 值。

    - 输出分类报告，显示每个类的精度、召回率、F1 值以及支持数。

   

6. 输出结果

    - 输出交叉验证结果。

    - 输出测试集性能和分类报告。

   2. 算法主要代码

完整源代码\调用库方法（函数参数说明）

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_validate
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, classification_report

# Step 1: 加载数据并划分训练集与测试集
iris = datasets.load_iris()
X, y = iris.data, iris.target

# 保证类别分布一致的划分
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=1/3, random_state=42, stratify=y
)

# Step 2: 训练 BP 神经网络
bp_model = MLPClassifier(
    hidden_layer_sizes=(10, 5),  # 两层隐藏层，分别含 10 和 5 个神经元
    activation='relu',          # 激活函数，默认为 ReLU
    solver='adam',              # 优化算法，默认为 Adam
    max_iter=2000,              # 最大迭代次数，默认 200，设置为 1000 提高训练稳定性
    random_state=42             # 随机种子，确保实验可复现
)

bp_model.fit(X_train, y_train)

# Step 3: 五折交叉验证
scoring_metrics = ['accuracy', 'precision_macro', 'recall_macro', 'f1_macro']
cv_results = cross_validate(bp_model, X_train, y_train, cv=5, scoring=scoring_metrics)

print("五折交叉验证结果：")
for metric in scoring_metrics:
    print(f"{metric}: {cv_results['test_' + metric].mean():.4f}")

# Step 4: 测试集评估
y_pred = bp_model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='macro')
recall = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')

print("\n测试集性能：")
print(f"Accuracy: {accuracy:.4f}")
print(f"Precision: {precision:.4f}")
print(f"Recall: {recall:.4f}")
print(f"F1 Score: {f1:.4f}")

print("\n分类报告：")
print(classification_report(y_test, y_pred, target_names=iris.target_names))

 

1  datasets.load_iris(): 加载鸢尾花数据集，包含 150 个样本，4 个特征。

2  train_test_split(): 将数据集划分为训练集和测试集，确保类别分布一致。

3  MLPClassifier(): 初始化 BP 神经网络模型，设置隐藏层神经元数、激活函数、优化算法、最大迭代次数等参数。

4  cross_validate(): 执行五折交叉验证，评估模型的多种指标（准确率、精度、召回率、F1 值等）。

5  accuracy_score(), precision_score(), recall_score(), f1_score(): 分别计算准确率、精度、召回率和 F1 值。

6  classification_report(): 输出分类报告，显示每个类别的详细分类指标（精度、召回率、F1 值等）。

 

   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、实验结果分析

1. 测试结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

 

 

2. 对比分析

 

 准确率（Accuracy）：训练集和测试集的准确率都较高，特别是在测试集上表现出色，达到了 98% 以上，说明模型能够很好地进行分类。

 精度（Precision）：精度表现较为均衡，尤其是对 Versicolor 类的预测精度接近 1，表明模型在该类别的分类能力较强。

 召回率（Recall）：召回率也很高，几乎所有类别的召回率都接近 1，显示出模型能够有效识别各类别的样本，尤其是对 Setosa 类的召回率达到 1。

 F1 值：F1 值在所有类别中都接近 1，表明模型在精度和召回率之间达到了很好的平衡。