sklearn 神经网络案例

以下是一个使用 scikit-learn 中 MLPClassifier 类实现的神经网络分类器的示例代码。此代码使用鸢尾花数据集进行分类。

from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载鸢尾花数据集
iris = load_iris()

# 特征矩阵和目标向量
X = iris.data
y = iris.target

# 数据集分割
X_train, X_test, y_train, y_test = train_test_split(X, y)

# 特征缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建神经网络分类器模型
clf = MLPClassifier(hidden_layer_sizes=(10, 10, 10), max_iter=1000)

# 拟合模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出准确率
print("Accuracy:", clf.score(X_test, y_test))

这个示例中，我们首先加载了鸢尾花数据集，然后将其分成训练集和测试集。接下来，我们使用 StandardScaler 对特征进行缩放，然后创建了一个具有三个隐藏层，每个层包含10个神经元的 MLP 分类器模型。最后，我们拟合模型并用测试集进行预测，输出模型的准确率。