Multilayer Perceptron

복잡한 모델이 항상 유리한지, 단순한 기준 분류기와 같은 자료에서 비교합니다.

시작 조건

Iris를 위와 같은 70/30 분할로 나누고 Train에서만 StandardScaler를 fit합니다.

진행 방법

1. LogisticRegression(max_iter=500)과 MLPClassifier(hidden_layer_sizes=(16,),max_iter=300,random_state=7)를 비교하세요.
2. Train·Test Accuracy와 수렴 경고 여부를 기록하세요.

남길 결과

• 두 모델 표와 Test Confusion Matrix.

시작 조건

MLP의 hidden_layer_sizes만 (4,),(16,),(32,)로 바꾸고 같은 지표로 비교합니다.

진행 방법

1. 앞의 Train/Test 분할과 Train에 fit한 Scaler를 재사용하세요. MLP의 hidden_layer_sizes만 (4,), (16,), (32,)로 바꿔 학습하세요.
2. max_iter=300, random_state=7과 나머지 설정을 유지하고 Hidden 크기·Train Accuracy·Test Accuracy·수렴 경고 유무를 표로 적으세요.
3. Hidden 크기가 커질 때 Train과 Test Accuracy가 각각 어떻게 변하는지, 경고 유무와 나누어 설명하세요.

남길 결과

• Hidden 크기별 Accuracy·수렴 경고 비교 표.

시작 조건

split seed=11에서 같은 두 모델을 비교하고 작은 데이터의 변동을 확인합니다.

진행 방법

1. 분할 Seed만 11로 바꾸고 새 Train에서 Scaler를 다시 fit한 뒤 Train·Test를 변환하세요.
2. 활동 1의 Logistic Regression과 Hidden (16,) MLP를 같은 설정으로 새 Train에 다시 학습하세요.
3. split seed·모델명·Train Accuracy·Test Accuracy를 표로 기록하고 seed 7에서의 두 모델 비교와 대조하세요. Test 표본의 구성 변경이 비교 결과에 미친 영향을 설명하세요.

남길 결과

• 같은 분할별 두 모델의 Accuracy 표와 비교 결과의 변화.