Atributos

Además de los atributos .coefs_ e .intercepts_ que ya han sido mencionados, la clase MLPClassifier tiene varios otros atributos que pueden resultar de interés. Revisemos los más importantes:

.coefs_

Ya visto: pesos de los enlaces. El resultado devuelto por este atributo es una lista con tantos elementos como capas tenga la red (sin incluir la capa de entrada). Es decir, si la red neuronal tiene 2 capas ocultas, esta lista tendrá tres elementos: los dos primeros con los pesos de los enlaces que llegan a las neuronas de las dos capas ocultas, y el tercero con los pesos de los enlaces que llegan a las neuronas de la capa de salida.

Cada uno de estos elementos es un array NumPy de dos dimensiones en el que cada fila se corresponde con los pesos de los enlaces que parten de cada una de las neuronas de la capa anterior, y cada columna con los pesos de los enlaces que llegan a cada una de las neuronas de la capa actual. Si la capa anterior tiene 100 neuronas y la capa actual tiene 10, el array correspondiente tendrá un tamaño de (100, 10).

.intercepts_

Al igual que en el caso anterior, el resultado es una lista con tantos elementos como capas tenga la red (sin incluir la capa de entrada). Cada elemento es un array NumPy de una dimensión contiendo los bias de dicha capa. De esta forma, si en una capa hay 100 neuronas artificiales, el elemento correspondiente será un array de dimensiones (100,).

.classes_

Etiquetas de las clases:

.loss_

Resultado de la función de pérdida:

.n_iter_

Número de iteraciones (epochs) ejecutadas por el solver hasta converger:

.n_layers_

Número de capas de la red neuronal incluyendo la capa de entrada (que ya sabemos que no aplica ninguna transformación a los datos) y la capa de salida:

.n_outputs_

Número de neuronas en la capa de salida:

.out_activation_

Función de activación de la capa de salida: