使用多层感知器（MLP）回归模型神经网络数据预测python代码

以下是使用多层感知器（MLP）回归模型神经网络进行数据预测的 Python 代码示例：

from sklearn.neural_network import MLPRegressor
import numpy as np

# 生成示例数据
X = np.array([[0, 0], [1, 1]])
y = np.array([0, 1])

# 创建 MLPRegressor 实例
mlp = MLPRegressor(hidden_layer_sizes=(5, 2), max_iter=1000)

# 训练模型并进行预测
mlp.fit(X, y)
predictions = mlp.predict([[1, 2], [0, 0.5]])

这段代码使用 `sklearn` 库中的 `MLPRegressor` 类创建了一个 MLP（多层感知器）回归模型，并使用示例数据进行了训练和预测。其中，`hidden_layer_sizes` 参数指定 MLP 神经网络的结构（5 个节点的第一层和 2 个节点的第二层），`max_iter` 参数指定训练最大迭代次数。最后，使用 `predict` 方法对新数据进行预测。