MLPClassifier से प्राप्त लॉस वैल्यूज़ (loss_curve_) को उचित तरीके से प्लॉट करने के लिए, हम निम्नलिखित चरण ले सकते हैं:
- फिगर साइज सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें।
- पैरामीटर्स की एक लिस्ट, डिक्शनरीज़ की लिस्ट बनाएं।
- लेबल्स और प्लॉट आर्गुमेंट्स की लिस्ट बनाएं।
- nrows=2 और ncols= के साथ एक फिगर और सबप्लॉट्स का सेट बनाएं।
- आइरिस डेटासेट (क्लासिफिकेशन) लोड और रिटर्न करें।
- डेटासेट से x_digits और y_digits प्राप्त करें।
- कस्टमाइज़्ड डेटा_सेट, टपल्स की लिस्ट प्राप्त करें।
- ज़िप्ड, एक्सेस, डेटा_सेट्स और टाइटल्स के नाम की लिस्ट पर इटरेट करें।
- plot_on_dataset() मेथड में; करंट एक्सिस का टाइटल सेट करें।
- मल्टी-लेयर पर्सेप्ट्रॉन क्लासिफायर इंस्टेंस प्राप्त करें।
- mlps प्राप्त करें, यानी mlpc इंस्टेंसेज की लिस्ट।
- mlps पर इटरेट करें और plot() मेथड का उपयोग करके mlp.loss_curve_ प्लॉट करें।
- फिगर प्रदर्शित करने के लिए, show() मेथड का उपयोग करें।
उदाहरण
import warnings import matplotlib.pyplot as plt from sklearn.neural_network import MLPClassifier from sklearn.preprocessing import MinMaxScaler from sklearn import datasets from sklearn.exceptions import ConvergenceWarning plt.rcParams["figure.figsize"] = [7.50, 3.50] plt.rcParams["figure.autolayout"] = True params = [{'solver': 'sgd', 'learning_rate': 'constant', 'momentum': 0, 'learning_rate_init': 0.2}, {'solver': 'sgd', 'learning_rate': 'constant', 'momentum': .9, 'nesterovs_momentum': False, 'learning_rate_init': 0.2}, {'solver': 'sgd', 'learning_rate': 'constant', 'momentum': .9, 'nesterovs_momentum': True, 'learning_rate_init': 0.2}, {'solver': 'sgd', 'learning_rate': 'invscaling', 'momentum': 0, 'learning_rate_init': 0.2}, {'solver': 'sgd', 'learning_rate': 'invscaling', 'momentum': .9, 'nesterovs_momentum': True, 'learning_rate_init': 0.2}, {'solver': 'sgd', 'learning_rate': 'invscaling', 'momentum': .9, 'nesterovs_momentum': False, 'learning_rate_init': 0.2}, {'solver': 'adam', 'learning_rate_init': 0.01}] labels = ["constant learning-rate", "constant with momentum", "constant with Nesterov's momentum", "inv-scaling learning-rate", "inv-scaling with momentum", "inv-scaling with Nesterov's momentum", "adam"] plot_args = [{'c': 'red', 'linestyle': '-'}, {'c': 'green', 'linestyle': '-'}, {'c': 'blue', 'linestyle': '-'}, {'c': 'red', 'linestyle': '--'}, {'c': 'green', 'linestyle': '--'}, {'c': 'blue', 'linestyle': '--'}, {'c': 'black', 'linestyle': '-'}] def plot_on_dataset(X, y, ax, name): ax.set_title(name) X = MinMaxScaler().fit_transform(X) mlps = [] if name == "digits": max_iter = 15 else: max_iter = 400 for label, param in zip(labels, params): mlp = MLPClassifier(random_state=0, max_iter=max_iter, **param) with warnings.catch_warnings(): warnings.filterwarnings("ignore", category=ConvergenceWarning, module="sklearn") mlp.fit(X, y) mlps.append(mlp) for mlp, label, args in zip(mlps, labels, plot_args): ax.plot(mlp.loss_curve_, label=label, **args) fig, axes = plt.subplots(2, 2) iris = datasets.load_iris() X_digits, y_digits = datasets.load_digits(return_X_y=True) data_sets = [(iris.data, iris.target), (X_digits, y_digits), datasets.make_circles(noise=0.2, factor=0.5, random_state=1), datasets.make_moons(noise=0.3, random_state=0)] for ax, data, name in zip(axes.ravel(), data_sets, ['iris', 'digits', 'circles', 'moons']): plot_on_dataset(*data, ax=ax, name=name) fig.legend(ax.get_lines(), labels, ncol=3, loc="upper center") plt.show()आउटपुट
