Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как использовать Poisson loss в MLPRegressor для положительного target
Poisson loss в scikit-learn 1.8: строго неотрицательный target, положительный прогноз через exponential link и воспроизводимый негативный тест.
Как масштабировать target MLPRegressor через TransformedTargetRegressor
StandardScaler для признаков и отдельное преобразование target через TransformedTargetRegressor с автоматическим inverse_transform прогноза.
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучать MLPRegressor пакетами через partial_fit
Потоковое обучение регрессионной нейросети: Incremental StandardScaler, пять пакетов, 25 эпох, счётчик обновлений, t_ и независимый test.
Как обучить MLPClassifier со StandardScaler без утечки данных
Проверяемый Pipeline из StandardScaler и MLPClassifier: раздельная выборка, обучение scaler только на train, accuracy и защита от утечки.
Как обучить MLPRegressor со StandardScaler в Pipeline
Полносвязная нейросеть для числового прогноза: честный train/test split, StandardScaler внутри Pipeline, MAE, R² и проверка preprocessing.
Как оценить MLPClassifier через classification report и confusion matrix
Оценка нейросети не одной accuracy: classification_report как dict, confusion_matrix, support, macro F1 и точные критерии проверки.
Как оценить MLPRegressor по MAE, RMSE и R²
Три проверяемые регрессионные метрики: MAE в исходных единицах, чувствительный к крупным ошибкам RMSE и R² относительно среднего baseline.
Как оценить важность признаков MLP через permutation importance
Permutation importance для Pipeline с MLPClassifier: baseline на test, перестановки столбцов, mean/std, воспроизводимость и ограничения интерпретации.
Как рассчитать partial dependence для MLPRegressor
Численный partial dependence для одного признака: grid_values, average prediction, Pipeline, проверка shape и ограничения причинной интерпретации.
Как продолжить обучение MLPRegressor через warm_start
Проверка warm_start без переинициализации весов: два fit, изменение coefs_, loss до и после, границы метода и отличие от partial_fit.
Как проверить остатки MLPRegressor по квантилям
Residual analysis без графика: среднее, медиана, квантили абсолютной ошибки, худшие строки и проверка смещения прогноза.
Как сделать multi-output регрессию через MLPRegressor
Два непрерывных target в MLPRegressor: форма y `(n,2)`, output `(n,2)`, n_outputs_, последняя матрица весов и MAE по каждому выходу.
Как сохранить Pipeline с MLPClassifier через joblib и проверить загрузку
Сохранение и загрузка всего Pipeline через joblib: временный файл, совпадение прогнозов и вероятностей, версии и риск недоверенной сериализации.
Как включить early stopping в MLPClassifier и проверить остановку
Early stopping для MLPClassifier с adam: validation_fraction, n_iter_no_change, best_validation_score_, validation_scores_ и loss_curve_.
Как включить early stopping в MLPRegressor
Проверка early stopping у MLPRegressor с adam: validation_fraction, n_iter_no_change, validation_scores_, best_validation_score_ и loss_curve_.
Как выбрать порог по predict_proba у MLPClassifier
Получение вероятностей MLPClassifier и выбор порога по validation, а не test: форма predict_proba, классы, precision, recall и проверяемый пример.
Как задать скрытые слои MLPClassifier и проверить размеры весов
Практическая проверка hidden_layer_sizes=(12,6): число слоёв, формы coefs_ и intercepts_, вход из восьми признаков и бинарный выход.
Почему MLPClassifier даёт разные результаты и как зафиксировать random_state
Воспроизводимость MLPClassifier: одинаковый split, random_state, веса, прогнозы и границы того, что фиксированное зерно действительно гарантирует.
Почему MLPClassifier показывает ConvergenceWarning и как это проверить
Воспроизводимый ConvergenceWarning у MLPClassifier: слишком малый max_iter, контроль n_iter_, масштабирование и проверка исправления без замалчивания предупреждения.