MLPClassifier से (loss_curve_) द्वारा प्राप्त हानि मूल्यों को उचित रूप से कैसे प्लॉट करें? (मैटप्लोटलिब)

MLPCIassifier से (loss_curve_) द्वारा प्राप्त हानि मूल्यों को उचित रूप से प्लॉट करने के लिए, हम निम्नलिखित कदम उठा सकते हैं -

• आकृति का आकार सेट करें और सबप्लॉट के बीच और आसपास पैडिंग समायोजित करें।
• परम बनाएं, शब्दकोशों की सूची बनाएं।
• लेबल और प्लॉट तर्कों की एक सूची बनाएं।
• nrows=2 और ncols=
के साथ एक आकृति और सबप्लॉट का एक सेट बनाएं
• आइरिस डेटासेट (वर्गीकरण) लोड करें और वापस करें।
• डेटासेट से x_digits और y_digits प्राप्त करें।
• अनुकूलित data_set, टुपल्स की सूची प्राप्त करें।
• ज़िप्ड, कुल्हाड़ियों, data_sets और शीर्षकों के नाम की सूची को पुनरावृत्त करें।
• plot_on_dataset() . में तरीका; वर्तमान अक्ष का शीर्षक सेट करें।
• मल्टी-लेयर परसेप्ट्रॉन क्लासिफायर इंस्टेंस प्राप्त करें।
• एमएलपीएस प्राप्त करें , यानी एमएलपीसी उदाहरणों की एक सूची।
• पुनरावृत्ति एमएलपीएस और प्लॉट करें mlp.loss_curve_ प्लॉट () . का उपयोग करके विधि।
• आंकड़ा प्रदर्शित करने के लिए, दिखाएं () . का उपयोग करें विधि।

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