《数据挖掘与机器学习》 课件8.2 构建中草药识别模型.pptx
8南宁职业技术学院
NCVTNANNINGCOLLEGEFORVOCATIONALTECHNOLOGY
厨
数据挖掘与机器学习
DATAMININGA°NDMACHINELEARNING
构建中草药识别模型
中草药识别——神经网络
古语有云，对症下药。
医生需正确识别中草药才能准确无误的为患者抓取所需药材。
如果抓取药材时差之毫厘，那么可能造成谬以千里的结果，患者的症状非但没有减轻，反而加重，由此可见准确识别中草药的重要性。
本任务将使用BP神经网络进行中草药的识别。
构建中草药识别模型
任务描述
使用sklearn库建立BP神经网络模型。
构建中草药识别模型
任务要求
Part1相关知识
·BP神经网络
什么是BP神经网络?
·BP神经网络，即反向传播神经网络(BackpropagationNeuralNetwork)。
·BP神经网络是一种广泛应用于分类、回归和聚类等任务的人工神经网络。
构建中草药识别模型
BP神经网络
IBP神经网络
BP神经网络的结构
·BP神经网络由一个输入层、隐藏层和一个输出层组成。
·每个层都包含多个神经元，每个神经元与上一层的所有神经元相互连接，并且每个连接都有一个对应的权重。
·在训练过程中，BP神经网络使用反向传播算法来更新每个权重，以使网络的输出尽可能地接近于真实值。
构建中草药识别模型
隐藏层输出层
输入层
X₁
X₂
X3
X₄
1
前向传播：将训练数据输入神经网络，计算网络输出。
2
计算误差：将网络输出与真实输出比较，计算误差。
3
反向传播误差：从输出层开始，将误差反向传播回每个神经元，
计算每个神经元的误差梯度。
4
更新权重：根据误差梯度和学习率更新每个神经元的权重值。
5
重复以上步骤，直到网络的误差满足要求或达到最大训练次数。
BP神经网络
BP神经网络运行基本步骤
构建中草药识别模型
IBP神经网络
BP神经网络优缺点
优点
·能够对非线性模式进行拟合，并且可以应用于多种任务
构建中草药识别模型
因此，在实际应用中，需要根据具体任务选择合适的网络结构、参数和优化算法，以提高网络的性能
和泛化能力。
缺点
●需要大量的训练数据和计算资源，并且容易过拟合
在Python中，使用sklearn库MLPClassifier类可以建立BP神经网络模型其基
本使用格式如下。
classsklearn.neural_network.MLPClassifier(hidden_layer_sizes=(100,),activation=relu,
*,solver=adam’,alpha=0.0001,batch_size=auto,learning_rate=constant,learning_rate_init=0.001,power_t=0.5,max_iter=200,shuffle=True,
random_state=None,tol=0.0001,verbose=False,warm_start=False,momentum=0.9,
nesterovs_momentum=True,early_stopping=False,validation_fraction=0.1,beta_1=0.9,beta_2=0.999,epsilon=1e-08,n_iter_no_change=10,max_fun=15000)
构建中草药识别模型
BP神经网络
参数名称
说明
hidden_layer_sizes
接收tuple、length,用于表示隐层的个数和每个隐层中的神经元个数，默认值为100
activation
接收tanh、relu,用于指定激活函数类型，默认为relu
solver
接收sgd、adam,用于指定正则化的惩罚系数，默认值为adam
batch_size
接收int,用于指定每次迭代中使用的样本数，默认值为auto
learning_rate_init
接收double,用于指定学习率的初始值，默认值为0.001
MLPClassifier类常用的参数及其说明如下。
构建中草药识别模型
BP神经网络
花卉识别可以帮助植物学家、生态学家和环境保护人士更好地了解和保
护自然生态系统中的花卉植物。
通过准确识别花卉种类和分布情况，可以对生物多样性进行监测和保