3: 多层感知机实战 ​

经过基础理论的学习之后最重要的就是实践，本题目是对理论的应用，have fun

🎯数据集 ​

Glimmer-2025-ml-2

🌟任务流程 ​

同时也是几乎所有深度学习任务的基本流程

1.下载并加载数据

2.进行数据预处理和数据集的划分

3.搭建模型架构（本次为MLP）

4.进行模型训练

5.用验证集对模型训练结果进行评估

💡核心任务 ​

基于数据集，实现一个学生是否辍学的分类器

📦MLP ​

class DropoutClassifier(nn.Module):
    def __init__(self, input_size):
        super(DropoutClassifier,self).__init__()
        # TODO:
    def forward(self,X):
        # TODO:

class DropoutClassifier(nn.Module):
    def __init__(self, input_size):
        super(DropoutClassifier,self).__init__()
        # TODO:
    def forward(self,X):
        # TODO:

🟢训练和验证 ​

def train(model,train_loader,test_loader,loss,epoch,lr):
    # TODO:
    # 做到训练模型和验证训练准确率

def train(model,train_loader,test_loader,loss,epoch,lr):
    # TODO:
    # 做到训练模型和验证训练准确率

⏳数据处理 ​

建议使用pandas库（pd）进行数据的读取，随后再进行数据的归一化等操作

其他： ​

推荐使用matplotlib进行可视化

如果可以，使用gpu训练

✅思考 ​

1.本次任务中数据处理的方式有？

2.有哪些方法可以使你的模型的泛化性提高？

3.对于过拟合和欠拟合现象我们应该如何避免，或者当已经出现这种现象时，应该怎么解决

报告内容 ​

1. 模型实现

2. 训练过程

3. 改进策略

• 使用的方法

• 达到的效果

4. 收获

⚠️注意事项： ​

1. 手写核心代码：模型定义和训练循环必须手写，不能直接使用AI生成。

2. 理解提供代码：充分理解提供的数据处理和评估代码，能够解释其工作原理。

3. 详细记录过程：在报告中详细记录你的实现过程、思考过程和改进过程。

4. 代码注释：为你实现的代码添加详细注释，说明每部分的作用。

5. 实验记录：记录不同超参数设置的实验结果，分析其影响。

提交要求 ​

提交内容 ​

• 代码文件

  ：将代码部分的.ipynb文件作为邮件附件，命名格式：ml-03-姓名-学号.ipynb

• 文档报告

  ：将写有这道题目文本解答的.md文件作为邮件附件，命名格式：ml-03-姓名-学号.md

• 将两个文件压缩成压缩包ml-03-姓名-学号.zip提交

提交方式 ​

• 邮箱: gimmerml401@163.com

• 主题: 3-姓名-学号

出题人：鹁霖

QQ：2046193615