MLPClassifier-এর loss_curve_ থেকে অর্জিত লস ভ্যালু উপযুক্তভাবে প্লট করতে নিচের ধাপগুলো ফলো করতে পারেন:
- ফিগার সাইজ সেট করুন এবং সাবপ্লটের মধ্যে ও চারপাশে প্যাডিং অ্যাডজাস্ট করুন।
- একটি params লিস্ট তৈরি করুন, ডিকশনারি হিসেবে।
- লেবেল এবং প্লট আর্গুমেন্টের একটি লিস্ট তৈরি করুন।
- nrows=2 এবং ncols=2 সহ একটি ফিগার এবং সাবপ্লটের সেট তৈরি করুন।
- আইরিস ডেটাসেট (ক্লাসিফিকেশন) লোড এবং রিটার্ন করুন।
- ডেটাসেট থেকে x_digits এবং y_digits পান।
- কাস্টোমাইজড data_set, টাপলের লিস্ট পান।
- জিপ করা axes, data_sets এবং টাইটেলের লিস্টের নাম ইটারেট করুন।
- plot_on_dataset() মেথডে; কারেন্ট অ্যাক্সিসের টাইটেল সেট করুন।
- মাল্টি-লেয়ার পারসেপট্রন ক্লাসিফায়ার ইনস্ট্যান্স পান।
- mlps পান, অর্থাৎ mlpc ইনস্ট্যান্সের লিস্ট।
- mlps ইটারেট করুন এবং plot() মেথড ব্যবহার করে mlp.loss_curve_ প্লট করুন।
- ফিগার প্রদর্শন করতে show() মেথড ব্যবহার করুন।
উদাহরণ
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()
আউটপুট
