Lompat ke konten utama
Kelas
Jaringan Saraf Tiruan Dasar dengan PythonPelajaran 14 dari 22 · Modul 4, MLP scikit-learn, inisialisasi, dan regularisasi

Modul 4 · MLP scikit-learn, inisialisasi, dan regularisasi

MLPClassifier, MLPRegressor, dan skala fitur

Setelah pelajaran ini kamu bisa melatih MLPClassifier dan MLPRegressor, membaca coefs_ dan out_activation_, dan menskalakan fitur dengan StandardScaler di dalam Pipeline.

  • ±13 menit
  • 3 latihan
  • Diperiksa 28 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

scikit-learn menyediakan dua jaringan saraf siap pakai: MLPClassifier untuk klasifikasi dan MLPRegressor untuk regresi. Keduanya dipakai seperti estimator lain, fit lalu predict. Parameter utamanya hidden_layer_sizes, tuple berisi banyak neuron per lapis tersembunyi, misalnya (10,) untuk satu lapis 10 neuron atau (32, 16) untuk dua lapis; activation (bawaan relu); solver (bawaan adam; dokumentasinya menyebut lbfgs bisa konvergen lebih cepat dengan skor lebih tinggi untuk data kecil); max_iter; dan random_state, yang menentukan bobot awal sehingga hasilnya bisa diulang.

Setelah fit, atribut out_activation_ menunjukkan aktivasi keluaran yang dipilih otomatis: logistic untuk dua kelas, softmax untuk lebih dari dua kelas, dan identity untuk MLPRegressor, yang loss-nya kuadrat galat. predict_proba pada MLPClassifier mengembalikan peluang setiap kelas.

User Guide scikit-learn menyatakan MLP peka terhadap skala fitur dan menganjurkan standardisasi, dengan scaler yang di-fit hanya pada data latih. Cara ringkasnya make_pipeline(StandardScaler(), MLPClassifier(...)): pipeline mempelajari rata-rata dan simpangan baku dari data latih saat fit, lalu menerapkannya sendiri saat predict dan score.

from sklearn.neural_network import MLPClassifier

# jam belajar, jam tidur -> lulus?
X = [[1, 5], [2, 6], [6, 7], [7, 8], [3, 4], [8, 6]]
y = [0, 0, 1, 1, 0, 1]
m = MLPClassifier(hidden_layer_sizes=(5,), solver="lbfgs", random_state=0).fit(X, y)
print([w.shape for w in m.coefs_], m.out_activation_)   # [(2, 5), (5, 1)] logistic

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 1 lagi