MLPClassifier에서 (loss_curve_)가 획득한 손실 값을 적절하게 플롯하는 방법은 무엇입니까? (매트플롯립)

MLPCIassifier에서 (loss_curve_)가 획득한 손실 값을 적절하게 표시하려면 다음 단계를 수행할 수 있습니다.

• 그림 크기를 설정하고 서브플롯 사이 및 주변 여백을 조정합니다.
• 사전 목록인 params를 만드세요.
• 레이블 목록을 만들고 인수를 구성합니다.
• nrows=2 및 ncols=를 사용하여 Figure와 서브플롯 세트 생성
• 홍채 데이터세트(분류)를 로드하고 반환합니다.
• 데이터세트에서 x_digits 및 y_digits 가져오기
• 맞춤형 data_set, 튜플 목록을 가져옵니다.
• zip 파일, 축, data_sets 및 제목 목록을 반복합니다.
• plot_on_dataset()에서 방법; 현재 축의 제목을 설정합니다.
• 다층 퍼셉트론 분류기 인스턴스를 가져옵니다.
• mlps 받기 , 즉 mlpc 인스턴스 목록입니다.
• mlps 반복 플롯 mlp.loss_curve_ plot() 사용 방법.
• 그림을 표시하려면 show()를 사용하세요. 방법.

예

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()

출력