Classification 4: Multilayer perceptron classifier

簡介

多層感知器，分類器
簡單的多層神經網絡
注意：神經網絡的層數不能超過3層，否則會出現梯度消失問題

代碼

    // Load the data stored in LIBSVM format as a DataFrame.
    val data = spark.read.format("libsvm")
      .load("D://data/mllib/sample_multiclass_classification_data.txt")
    
    // Split the data into train and test
    val splits = data.randomSplit(Array(0.6, 0.4), seed = 1234L)
    val train = splits(0)
    val test = splits(1)
    
    // specify layers for the neural network:
    // input layer of size 4 (features), two intermediate of size 5 and 4
    // and output of size 3 (classes)
    val layers = Array[Int](4, 5, 4, 3)
    
    // create the trainer and set its parameters
    // 建立多層感知器分類器MLPC模型
// 傳統神經網絡通常，層數<=5，隱藏層數<=3
// layers 指定神經網絡的圖層
// MaxIter 最大迭代次數
// stepSize 每次優化的迭代步長，僅適用於solver="gd"
// blockSize 用於在矩陣中堆疊輸入數據的塊大小以加速計算。 數據在分區內堆疊。 如果塊大小大於分區中的剩餘數據，則將其調整爲該數據的大小。 建議大小介於10到1000之間。默認值：128
// initialWeights 模型的初始權重
// solver 算法優化。 支持的選項：“gd”（minibatch梯度下降）或“l-bfgs”。 默認值：“l-bfgs”
    val trainer = new MultilayerPerceptronClassifier()
      .setLayers(layers)
      .setBlockSize(128)
      .setSeed(1234L)
      .setMaxIter(100)
    
    // train the model
    val model = trainer.fit(train)
    
    // compute accuracy on the test set
    val result = model.transform(test)
    val predictionAndLabels = result.select("prediction", "label")
    val evaluator = new MulticlassClassificationEvaluator()
      .setMetricName("accuracy")
    val accuracy = evaluator.evaluate(result)
    
    println(s"test Error ${1.0 - accuracy}")