Java 类名：com.alibaba.alink.pipeline.classification.MultilayerPerceptronClassifier
Python 类名：MultilayerPerceptronClassifier

功能介绍

多层感知机（MLP，Multilayer Perceptron）也被称作人工神经网络（ANN，Artificial Neural Network），经常用来进行多分类问题的训练预测。

算法原理

多层感知机算法除了输入输出层外，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构，如下图：
多层感知机分类 (MultilayerPerceptronClassifier) - 图1
从上图可以看到，多层感知机层与层之间是全连接的。多层感知机最左边是输入层，中间是隐藏层，最后是输出层。 其中输出层对应的是各个分类标签，输出层
的每一个节点对应每一个标签的出现的概率。

算法使用

多层感知机主要用于多分类问题，类似文字识别，语音识别，文本分析等问题。

  • 备注 ：该组件训练的时候 FeatureCols 和 VectorCol 是两个互斥参数，只能有一个参数来描述算法的输入特征。

    文献

    [1]Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences
    MW Gardner, SR Dorling - Atmospheric environment, 1998 - Elsevier.

    参数说明

名称 中文名称 描述 类型 是否必须？ 取值范围 默认值
labelCol 标签列名 输入表中的标签列名 String ✓
layers 神经网络层大小 神经网络层大小 int[] ✓
predictionCol 预测结果列名 预测结果列名 String ✓
blockSize 数据分块大小，默认值64 数据分块大小，默认值64 Integer 64
epsilon 收敛阈值 迭代方法的终止判断阈值，默认值为 1.0e-6 Double [0.0, +inf) 1.0E-6
featureCols 特征列名数组 特征列名数组，默认全选 String[] null
initialWeights 初始权重值 初始权重值 DenseVector null
l1 L1 正则化系数 L1 正则化系数，默认为0。 Double [0.0, +inf) 0.0
l2 正则化系数 L2 正则化系数，默认为0。 Double [0.0, +inf) 0.0
maxIter 最大迭代步数 最大迭代步数，默认为 100 Integer [1, +inf) 100
modelFilePath 模型的文件路径 模型的文件路径 String null
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
predictionDetailCol 预测详细信息列名 预测详细信息列名 String
reservedCols 算法保留列名 算法保留列 String[] null
vectorCol 向量列名 向量列对应的列名，默认值是null String null
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1
modelStreamFilePath 模型流的文件路径 模型流的文件路径 String null
modelStreamScanInterval 扫描模型路径的时间间隔 描模型路径的时间间隔，单位秒 Integer 10
modelStreamStartTime 模型流的起始时间 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s) String null

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df = pd.DataFrame([
  8.     [5,2,3.5,1,'Iris-versicolor'],
  9.     [5.1,3.7,1.5,0.4,'Iris-setosa'],
  10.     [6.4,2.8,5.6,2.2,'Iris-virginica'],
  11.     [6,2.9,4.5,1.5,'Iris-versicolor'],
  12.     [4.9,3,1.4,0.2,'Iris-setosa'],
  13.     [5.7,2.6,3.5,1,'Iris-versicolor'],
  14.     [4.6,3.6,1,0.2,'Iris-setosa'],
  15.     [5.9,3,4.2,1.5,'Iris-versicolor'],
  16.     [6.3,2.8,5.1,1.5,'Iris-virginica'],
  17.     [4.7,3.2,1.3,0.2,'Iris-setosa'],
  18.     [5.1,3.3,1.7,0.5,'Iris-setosa'],
  19.     [5.5,2.4,3.8,1.1,'Iris-versicolor'],
  20. ])
  22. data = BatchOperator.fromDataframe(df, schemaStr='sepal_length double, sepal_width double, petal_length double, petal_width double, category string')
  24. mlpc = MultilayerPerceptronClassifier() \
  25.     .setFeatureCols(["sepal_length", "sepal_width", "petal_length", "petal_width"]) \
  26.     .setLabelCol("category") \
  27.     .setLayers([4, 5, 3]) \
  28.     .setMaxIter(20) \
  29.     .setPredictionCol("pred_label") \
  30.     .setPredictionDetailCol("pred_detail")
  32. mlpc.fit(data).transform(data).firstN(4).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.classification.MultilayerPerceptronClassifier;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class MultilayerPerceptronClassifierTest {
  12.     @Test
  13.     public void testMultilayerPerceptronClassifier() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of(5.0, 2.0, 3.5, 1.0, "Iris-versicolor"),
  16.             Row.of(5.1, 3.7, 1.5, 0.4, "Iris-setosa"),
  17.             Row.of(6.4, 2.8, 5.6, 2.2, "Iris-virginica"),
  18.             Row.of(6.0, 2.9, 4.5, 1.5, "Iris-versicolor"),
  19.             Row.of(4.9, 3.0, 1.4, 0.2, "Iris-setosa"),
  20.             Row.of(5.7, 2.6, 3.5, 1.0, "Iris-versicolor"),
  21.             Row.of(4.6, 3.6, 1.0, 0.2, "Iris-setosa"),
  22.             Row.of(5.9, 3.0, 4.2, 1.5, "Iris-versicolor"),
  23.             Row.of(6.3, 2.8, 5.1, 1.5, "Iris-virginica"),
  24.             Row.of(4.7, 3.2, 1.3, 0.2, "Iris-setosa"),
  25.             Row.of(5.1, 3.3, 1.7, 0.5, "Iris-setosa"),
  26.             Row.of(5.5, 2.4, 3.8, 1.1, "Iris-versicolor")
  27.         );
  28.         BatchOperator <?> data = new MemSourceBatchOp(df,
  29.             "sepal_length double, sepal_width double, petal_length double, petal_width double, category string");
  30.         MultilayerPerceptronClassifier mlpc = new MultilayerPerceptronClassifier()
  31.             .setFeatureCols("sepal_length", "sepal_width", "petal_length", "petal_width")
  32.             .setLabelCol("category")
  33.             .setLayers(new int[] {4, 5, 3})
  34.             .setMaxIter(20)
  35.             .setPredictionCol("pred_label")
  36.             .setPredictionDetailCol("pred_detail");
  37.         mlpc.fit(data).transform(data).firstN(4).print();
  38.     }
  39. }

运行结果

| sepal_length | sepal_width | petal_length | petal_width | category | p | | —- | —- | —- | —- | —- | —- |

| 5.0000 | 2.0000 | 3.5000 | 1.0000 | Iris-versicolor | Iris-versicolor |

| 5.1000 | 3.7000 | 1.5000 | 0.4000 | Iris-setosa | Iris-versicolor |

| 6.4000 | 2.8000 | 5.6000 | 2.2000 | Iris-virginica | Iris-versicolor |

| 6.0000 | 2.9000 | 4.5000 | 1.5000 | Iris-versicolor | Iris-versicolor |

| 4.9000 | 3.0000 | 1.4000 | 0.2000 | Iris-setosa | Iris-versicolor |

| 5.7000 | 2.6000 | 3.5000 | 1.0000 | Iris-versicolor | Iris-versicolor |

| 4.6000 | 3.6000 | 1.0000 | 0.2000 | Iris-setosa | Iris-setosa |

| 5.9000 | 3.0000 | 4.2000 | 1.5000 | Iris-versicolor | Iris-versicolor |

| 6.3000 | 2.8000 | 5.1000 | 1.5000 | Iris-virginica | Iris-versicolor |

| 4.7000 | 3.2000 | 1.3000 | 0.2000 | Iris-setosa | Iris-versicolor |

| 5.1000 | 3.3000 | 1.7000 | 0.5000 | Iris-setosa | Iris-versicolor |

| 5.5000 | 2.4000 | 3.8000 | 1.1000 | Iris-versicolor | Iris-versicolor |