迁移学习 MLP sklearn代码

迁移学习是指将已经训练好的模型应用于新的任务上，以提高新任务的性能。在机器学习中，迁移学习可以通过调整已有模型的参数或者使用已有模型的特征来完成。下面是一个使用 MLP 进行迁移学习的示例代码：

from sklearn.neural_network import MLPClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成原始数据集
X, y = make_classification(n_samples=1000, random_state=1)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=1)

# 训练原始模型
clf = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, random_state=1)
clf.fit(X_train, y_train)

# 生成新的数据集
X_new, y_new = make_classification(n_samples=500, random_state=2)

# 使用原始模型进行预测
y_pred = clf.predict(X_new)

# 使用原始模型作为特征提取器，生成新的特征
X_features = clf.predict_proba(X_new)

# 使用新的特征训练新的模型
clf_new = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, random_state=2)
clf_new.fit(X_features, y_new)

在这个示例代码中，我们首先使用 `make_classification` 生成了一个包含 1000 个样本的原始数据集，并将其划分为训练集和测试集。然后，我们使用 MLPClassifier 训练了一个原始模型。接着，我们生成了一个包含 500 个样本的新的数据集，并使用原始模型对其进行预测。然后，我们使用原始模型作为特征提取器，生成了新的特征，并使用这些特征训练了一个新的 MLP 模型。