Python 我如何创建多层感知器网络的实例以用于bagging分类器？

我试图创建一个多层感知器网络的实例，用于bagging分类器。但我不知道如何修复它们

这是我的密码：

My task is:

1-To apply bagging classifier (with or without replacement) with eight base classifiers created at the previous step.


It would be really great if you show me how can i implement this to my algorithm. I did my search but i couldn't find a way to do that

---

要训练您的

打包分类器

：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import StandardScaler  
from sklearn.neural_network import MLPClassifier 
from sklearn.ensemble import BaggingClassifier
from sklearn.metrics import classification_report, confusion_matrix

#Load the digits data:

X,y = load_digits(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.3, random_state=0)
# Feature scaling
scaler = StandardScaler()  
scaler.fit(X_train)
X_train = scaler.transform(X_train)  
X_test = scaler.transform(X_test)
# Finally for the MLP- Multilayer Perceptron
mlp = MLPClassifier(hidden_layer_sizes=(16, 8, 4, 2), max_iter=1001)

clf = BaggingClassifier(mlp, n_estimators=8)
clf.fit(X_train,y_train)

要分析您的输出，您可以尝试：

y_pred = clf.predict(X_test)
cm = confusion_matrix(y_test, y_pred, labels=clf.classes_)
print(cm)

要查看每个类正确预测的实例数，请执行以下操作：

print(cm[np.eye(len(clf.classes_)).astype("bool")])

cm[np.eye(len(clf.classes_)).astype("bool")]/cm.sum(1)

要查看每个类正确预测的实例的百分比，请执行以下操作：

print(cm[np.eye(len(clf.classes_)).astype("bool")])

cm[np.eye(len(clf.classes_)).astype("bool")]/cm.sum(1)

要查看算法的总精度，请执行以下操作：

(y_pred==y_test).mean()

编辑

要访问基于每基估计器的预测，即您的MLP，您可以执行以下操作：

estimators = clf.estimators_
# print(len(estimators), type(estimators[0]))
preds = []
for base_estimator in estimators:
    preds.append(base_estimator.predict(X_test))

---

请编辑您的问题以仅关注1个问题。如果你有很多问题，请每一个问题打开一个问题，这样你可以帮助其他人更容易地找到答案。非常感谢你给出了这个漂亮的答案。问题是，我需要找到每个分类器正确预测的实例数。如何编辑代码以将其划分为8个分类器？到目前为止，我的代码对该任务正确吗？

BaggingClassifier（mlp）

为您提供的平均值超过10 mlp（请参阅文档）。调整您的作业更改

n\u估计器
。要访问基本估计量，您可以执行
clf.\u估计量
谢谢您的回答，我将
BaggingClassifier（mlp）
更改为
BaggingClassifier（mlp，n\u estimators=8）
。然后如何计算每个基本分类器正确分类的测试实例数？很抱歉，我查了一下，但我不明白clf.\u估计量部分。请参阅编辑所有估计量生成X_检验。形状[0]预测数。如果它们根据相同的数据进行预测，它们会有什么不同？