from sklearn.model_selection import train_test_split import sklearn.neural_network as net import matplotlib.cm as cm file_path=r'D:\anaconda3\temp\邮政编码数据.txt' data=pd.read_csv(file_path,header=0) print(data.shape) data.head() X=data.iloc[:,1:-1] Y=data.iloc[:,0] X.shape np.random.seed(1) ids=np.random.choice(len(Y),25) plt.figure(figsize=(8,8)) for i,item in enumerate(ids): img=np.array(X.iloc[item]).reshape(16,16) plt.subplot(5,5,i+1) plt.imshow(img,cmap=cm.gray_r) plt.show X_train,X_test,Y_train,Y_test = train_test_split(X,Y,train_size = 0.60,random_state = 123) nodes = np.arange(1,20,2) acts = ['relu','logistic'] errTrain = np.zeros((len(nodes),2)) errTest = np.zeros((len(nodes),2)) for i,node in enumerate(nodes): for j ,act in enumerate(acts): NeuNet = net.MLPClassifier(hidden_layer_sizes = (node,),activation = act,random_state = 1,max_iter=300) nodes=np.arange(1,20,2) acts=['relu','logistic'] NeuNet.fit(X_train,Y_train) errTrain[i,j] = 1-NeuNet.score(X_train,Y_train) errTest[i,j] = 1-NeuNet.score(X_test,Y_test) plt.plot(nodes,errTest[:,0],label='relu_test',linestyle='-') plt.plot(nodes,errTest[:,1],label='logistic_test',linestyle='-.') plt.plot(nodes,errTrain[:,0],label='relu_train',linestyle='-',linewidth=0.5) plt.plot(nodes,errTrain[:,1],label='logistic_train',linestyle='-',linewidth=0.5) plt.title('2012010812') plt.xlabel('hidden node numbers') plt.ylabel('erros') plt.xticks(nodes) plt.legend()
时间: 2024-04-04 08:31:53 浏览: 20
这段代码看起来有一些问题。首先,第一行 `from sklearn.model_selection import train_test_split import sklearn.neural_network as net import matplotlib.cm as cm` 应该换行,每个语句单独占一行。其次,在这个代码块中,没有导入 pandas 库,但是调用了 pandas 中的函数 `read_csv`。在代码块的后半部分,您定义了变量 `nodes`,但是在循环中又重新定义了 `nodes`,这会导致变量被覆盖,可能会影响到后续的程序运行。此外,循环中的绘图部分也存在一些问题,因为在循环中重复定义了绘图的参数。根据您的问题描述,我无法确定您的具体问题在哪里,但是这些问题可能会影响到程序的正确性。因此,您需要检查一下代码并修复这些问题,才能正常运行程序。
相关问题
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis from sklearn.neural_network import MLPClassifier
这两行代码引入了 scikit-learn 库中的 QuadraticDiscriminantAnalysis 和 MLPClassifier 两个分类器模型。
QuadraticDiscriminantAnalysis 是一个分类器模型,属于判别式模型,用于解决二分类或多分类问题。它的基本思想是假设每个类别的样本都是从一个高斯分布采样得到的,并且每个类别的高斯分布的协方差矩阵不同。通过训练集中的样本估计每个类别的高斯分布的均值和协方差矩阵,然后根据贝叶斯准则计算测试样本属于每个类别的概率,最终将测试样本分类到概率最大的那个类别。
MLPClassifier 是一个多层感知器分类器模型,也是一个判别式模型,用于解决二分类或多分类问题。多层感知器是一种前向人工神经网络模型,由多个神经元组成多个层,每一层的神经元与下一层的神经元之间有权重连接。训练过程中,通过反向传播算法更新每个神经元之间的权重,从而最小化损失函数,使得模型的预测结果与真实结果之间的差距最小化。
这两个模型都是常见的分类器模型,可以根据具体问题选择适合的模型进行建模和训练。
import time import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout import tkinter as tk from tkinter import ttk from sklearn.neural_network import MLPClassifier from sklearn.preprocessing import StandardScaler from tkinter.messagebox import showinfo # pip install pyserial import serial import serial.tools.list_ports from main import MyClass if __name__ == '__main__': detect = MyClass() def collect_data_click(): detect.on_collect_data_click()
这段代码看起来是一个 Python 脚本,主要包括以下几个部分:
1. 导入需要的库:time、pandas、sklearn、numpy、tensorflow、tkinter、serial 等。
2. 从 tensorflow.keras 中导入 Sequential 和 Dense 两个类,用于搭建神经网络模型。
3. 定义了一个名为 `MyClass` 的类,并创建了一个 `detect` 实例。
4. 定义了一个名为 `collect_data_click()` 的函数,该函数调用了 `detect` 实例的 `on_collect_data_click()` 方法。
其中,`detect` 实例似乎是一个自定义的类对象,`on_collect_data_click()` 方法可能用于启动数据采集。如果需要更详细的分析,建议查看 `MyClass` 类和 `on_collect_data_click()` 方法的源代码。
相关推荐
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)