Гайд · TNWS AI
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.
Задача и применимость
Актуальный запрос: «как задать hidden_layer_sizes MLPClassifier скрытые слои». Понять точную семантику hidden_layer_sizes, а не подбирать кортеж по названию. Значение (12, 6) означает два скрытых слоя: двенадцать и шесть нейронов. Для восьми входных признаков и бинарной классификации формы матриц весов будут (8,12), (12,6) и (6,1). Атрибуты coefs_, intercepts_ и n_layers_ появляются после fit.
Материал относится к scikit-learn 1.8.0 и табличным числовым данным. MLPClassifier — полносвязный многослойный перцептрон для обучения с учителем, а не готовая языковая или vision-модель. Все вычисления ниже выполняются локально на синтетическом наборе make_classification: интернет, ключи API и внешние персональные данные не нужны. Значения метрик в рабочем проекте будут другими, поэтому фиксированные пороги примера являются проверкой кода, а не обещанием качества.
Пошаговое решение
- Подготовьте восемь масштабированных признаков.
- Создайте MLPClassifier с hidden_layer_sizes=(12,6).
- Обучите модель решателем lbfgs на небольшом наборе.
- Проверьте количество и формы матриц весов вместо предположений.
Готовый проверяемый шаблон
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
X, y = make_classification(
n_samples=500, n_features=8, n_informative=6, n_redundant=0,
class_sep=1.4, random_state=42
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.25, stratify=y, random_state=42
)
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier
scaler = StandardScaler().fit(X_train)
Xt = scaler.transform(X_train)
model = MLPClassifier(hidden_layer_sizes=(12, 6), solver="lbfgs", max_iter=500, random_state=42)
model.fit(Xt, y_train)
shapes = [w.shape for w in model.coefs_]
assert shapes == [(8, 12), (12, 6), (6, 1)]
assert model.n_layers_ == 4
assert len(model.intercepts_) == 3
print(shapes)
Вход и ожидаемый результат
На входе восемь признаков. Два скрытых слоя содержат 12 и 6 нейронов, выход бинарной модели представлен одним логитом. Ожидаемый список форм — [(8,12),(12,6),(6,1)], а n_layers_ равно четырём с учётом входного и выходного слоёв.
Как проверить результат
Посчитайте параметры каждой матрицы и bias, затем сравните с фактическими .size. Рост ширины увеличивает число параметров и время обучения. При многоклассовой задаче последняя размерность равна числу классов, поэтому не переносите (6,1) как универсальное правило.
Перенос на рабочую нейросеть
Заменяя синтетические данные рабочими, сначала составьте контракт: одна строка соответствует одному объекту, столбцы имеют стабильный порядок и единицы измерения, target формируется без информации из будущего. Категориальные поля кодируются отдельным преобразованием, пропуски обрабатываются до StandardScaler совместимым способом. Объединяйте preprocessing и estimator в Pipeline или ColumnTransformer, чтобы одинаковая логика применялась при fit, validation и predict. Версионируйте список признаков, код подготовки, разбиение и сам estimator как единый выпуск.
Критерии приёмки
- Train, validation и test не пересекаются, а random_state и алгоритм разбиения записаны.
- Preprocessing обучается только на train и входит в сохраняемый Pipeline.
- Форма, dtype и порядок признаков проверяются до predict.
- Метрика считается на независимой выборке и сопровождается support.
- Повторный запуск в закреплённом окружении воспроизводит контрольные predictions.
- Негативный тест с лишним или отсутствующим признаком завершается явной ошибкой, а не молчаливой перестановкой.
Регрессионный протокол
Сохраните маленький обезличенный regression-набор и ожидаемые классы либо вероятности. После изменения параметров сравнивайте не только одну итоговую метрику, но и confusion matrix, время обучения, число итераций и распределение вероятностей. Меняйте один фактор за эксперимент. Гиперпараметры выбирайте на validation или внутри кросс-валидации; test открывайте только для финальной оценки выбранной процедуры. Если обучающих данных мало, публикуйте разброс по нескольким разбиениям, а не лучший результат.
Диагностика расхождений
Если качество резко изменилось, проверяйте по порядку: набор и target, индексы split, порядок столбцов, статистики preprocessing, версии зависимостей, random_state и только затем внутренние параметры нейросети. Убедитесь, что признаки не содержат идентификатор ответа или данные из будущего. При расхождении после загрузки сравните predictions на одном сохранённом массиве, classes_, число входных признаков и параметры scaler. Не лечите неизвестную причину увеличением сети: это усложняет диагностику и часто усиливает переобучение.
Контроль после внедрения
Для эксплуатации добавьте журнал версии модели и схемы входа, но не записывайте в него исходные персональные признаки. До выкладки задайте допустимые границы latency, доли ошибок и целевой метрики. После выкладки сравнивайте распределения признаков и прогнозов с контрольным периодом. Если входная схема изменилась или качество вышло за порог, переключайтесь на предыдущий проверенный артефакт; автоматическое дообучение без независимой оценки не является безопасным исправлением.
Типичные ошибки и чего не делать
- Не путайте число элементов кортежа с числом нейронов.
- Не считайте входной и выходной слои частью hidden_layer_sizes.
- Не увеличивайте сеть без отдельной валидации переобучения.
Не подбирайте архитектуру и пороги по тестовой выборке. Не передавайте в модель персональные или чувствительные поля без правового основания и необходимости. Не считайте высокую метрику на синтетическом примере доказательством готовности к эксплуатации. Для важных решений добавьте человеческую проверку, мониторинг drift и безопасный сценарий отказа.
FAQ
Что означает (12,6)?
Два скрытых слоя на 12 и 6 нейронов.
Где лежат веса?
В списке обученных матриц coefs_.
Когда появляются coefs_?
После успешного вызова fit или partial_fit.
Официальные источники
Частые вопросы
Что означает (12,6)?
Два скрытых слоя на 12 и 6 нейронов.
Где лежат веса?
В списке обученных матриц `coefs_`.
Когда появляются coefs_?
После успешного вызова fit или partial_fit.
Читайте также
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
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 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.
Комментарии
Пока тихо. Скажите первое слово