机器学习 实验五

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
import numpy as np

# 实验步骤1：从scikit-learn库中加载iris数据集，并留出1/3的样本作为测试集
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=42)  # 留出1/3作为测试集

# 实验步骤2：使用训练集训练BP神经网络分类算法
# 创建MLPClassifier实例，设置隐藏层神经元个数和激活函数
mlp = MLPClassifier(hidden_layer_sizes=(10, 10), activation='relu', max_iter=1000, random_state=42)
mlp.fit(X_train, y_train)  # 训练模型

# 实验步骤3：使用五折交叉验证对模型性能进行评估和选择
scores = cross_val_score(mlp, X_train, y_train, cv=5, scoring='accuracy')  # 五折交叉验证准确度
print(f"五折交叉验证准确度: {np.mean(scores):.2f} (+/- {np.std(scores):.2f})")

# 实验步骤4：使用测试集测试模型的性能，并分析测试结果
y_pred = mlp.predict(X_test)  # 使用模型进行预测

# 计算性能指标
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(f"测试集准确度: {accuracy:.2f}")
print(f"测试集精度: {precision:.2f}")
print(f"测试集召回率: {recall:.2f}")
print(f"测试集F1值: {f1:.2f}")

# 实验报告中需要包含的分析和讨论
# 在这里，你可以根据上述性能指标的结果，分析模型的性能，讨论可能的改进方法等。# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
import numpy as np

# 实验步骤1：从scikit-learn库中加载iris数据集，并留出1/3的样本作为测试集
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=42)  # 留出1/3作为测试集

# 实验步骤2：使用训练集训练BP神经网络分类算法
# 创建MLPClassifier实例，设置隐藏层神经元个数和激活函数
mlp = MLPClassifier(hidden_layer_sizes=(10, 10), activation='relu', max_iter=1000, random_state=42)
mlp.fit(X_train, y_train)  # 训练模型

# 实验步骤3：使用五折交叉验证对模型性能进行评估和选择
scores = cross_val_score(mlp, X_train, y_train, cv=5, scoring='accuracy')  # 五折交叉验证准确度
print(f"五折交叉验证准确度: {np.mean(scores):.2f} (+/- {np.std(scores):.2f})")

# 实验步骤4：使用测试集测试模型的性能，并分析测试结果
y_pred = mlp.predict(X_test)  # 使用模型进行预测

# 计算性能指标
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(f"测试集准确度: {accuracy:.2f}")
print(f"测试集精度: {precision:.2f}")
print(f"测试集召回率: {recall:.2f}")
print(f"测试集F1值: {f1:.2f}")

# 实验报告中需要包含的分析和讨论
# 在这里，你可以根据上述性能指标的结果，分析模型的性能，讨论可能的改进方法等。