多層パーセプトロン
多層パーセプトロン（Multilayer Perceptron、MLP）は、人工ニューラルネットワーク（Artificial Neural Network、ANN）の一種で、ディープラーニングの基本的なモデルです。MLPは少なくとも3つの層で構成されており、入力層、隠れ層（複数の層が含まれることもあります）、出力層からなります。各層は複数のニューロン（ノード）から構成され、ニューロンは前の層のすべてのニューロンと結合され、重みが割り当てられています。MLPは、非線形な関数を学習することができ、さまざまなタスクに適用できます。
以下に、Scikit-learnを使用して単純なMLPを実装するサンプルコードを示します。この例では、Irisデータセットを使用して、アヤメの品種を分類するMLPモデルをトレーニングします。
python
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neural_network import MLPClassifier from sklearn.metrics import accuracy_score # Irisデータセットをロード iris = load_iris() X = iris.data y = iris.target # データをトレーニングセットとテストセットに分割 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # MLPモデルを作成 # 隠れ層の数やユニット数、活性化関数、学習率などのハイパーパラメータは調整できます mlp_model = MLPClassifier(hidden_layer_sizes=(100, 50), activation='relu', solver='adam', max_iter=1000, random_state=42) # モデルをトレーニング mlp_model.fit(X_train, y_train) # テストデータで予測 y_pred = mlp_model.predict(X_test) # モデルの性能を評価 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy}")
このコードでは、Irisデータセットをロードし、MLPClassifierを使用してMLPモデルをトレーニングしています。ハイパーパラメータ（例：hidden_layer_sizes、activation、solver、max_iter）はタスクに合わせて調整できます。モデルをトレーニングし、テストデータで予測を行い、正確度（accuracy）を計算して性能を評価しています。
MLPは、ディープラーニングの基本的なアーキテクチャであり、より大規模かつ複雑なネットワークを構築することも可能です。MLPを使用する際には、データの前処理、適切なハイパーパラメータの調整、過学習の管理などに注意する必要があります。