Python 优雅编程：会报恩的代码（三）

引言

在 Python 编程中，有一些常用技巧和最佳实践可以帮助你编写更优雅、更高效的代码。本文将介绍的是 Python 中使用 Scikit-Learn 下载 MNIST 数据，并训练模型，序列化模型、MLPClassifier 模型的参数查看、MLPClassifier 的激活函数及其实现、从 pandas.core.frame.DataFrame 中获取数据等。

Scikit-Learn 下载 MNIST 数据、训练模型、序列化模型

下面是使用 Scikit-Learn 下载 MNIST 数据集并训练一个具有 3 层（2 个隐层，其中第 1 层有 50 个神经元，第 2 层有 100 个神经元）的神经网络模型的示例。

安装依赖库

确保已经安装 scikit-learn 和 numpy。可以使用以下命令安装：

pip install scikit-learn numpy

训练模型

from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import classification_report, accuracy_score

# 下载 MNIST 数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist.data, mnist.target

# 将目标标签转换为整数
y = y.astype(int)

# 拆分数据集为训练和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化并训练神经网络模型
model = MLPClassifier(hidden_layer_sizes=(50, 100), max_iter=20, random_state=42)
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 输出结果
print(f"准确率: {
     accuracy_score(y_test, y_pred)}")
print(classification_report(y_test, y_pred))

运行上述代码后，程序将训练一个 3 层的神经网络模型，并输出测试集的准确率和分类报告，从而给出模型的性能评估。

准确率: 0.9499
              precision    recall  f1-score   support

           0       0.97      0.99      0.98       980
           1       0.98      0.98      0.98      1135
           2       0.95      0.95      0.95      1032
           3       0.93      0.93      0.93      1010
           4       0.97      0.92      0.94       982
           5       0.95      0.93      0.94       892
           6       0.97      0.96      0.96       958
           7       0.97      0.94      0.96      1028
           8       0.91      0.95      0.93       974
           9       0.91      0.95      0.93