编写代码：用有标签的正样本训练一个bp神经网络的单分类的模型

以下是用Python编写的一个简单的BP神经网络单分类模型的训练代码。我们将使用scikit-learn库来实现此模型。

from sklearn.neural_network import MLPClassifier
import numpy as np

# 定义训练数据集
# 这里我们使用一个5个特征的数据集
X = np.array([[1, 2, 3, 4, 5], 
              [2, 3, 4, 5, 6], 
              [3, 4, 5, 6, 7], 
              [4, 5, 6, 7, 8], 
              [5, 6, 7, 8, 9]])

# 定义标签
# 这里我们将前三个样本标记为1，后两个样本标记为0
y = np.array([1, 1, 1, 0, 0])

# 创建BP神经网络分类器对象
# 该分类器使用1个隐藏层，每个隐藏层包含10个神经元
# 最大迭代次数为500次
clf = MLPClassifier(hidden_layer_sizes=(10,), max_iter=500)

# 训练分类器
clf.fit(X, y)

# 预测新样本
# 这里我们使用第一个样本作为测试样本
new_x = np.array([[1, 2, 3, 4, 5]])
prediction = clf.predict(new_x)

# 输出预测结果
if prediction == 1:
    print("该样本属于正类")
else:
    print("该样本属于负类")

在上述代码中，我们首先定义了一个包含5个特征的训练数据集和对应的标签。接着，我们创建了一个BP神经网络分类器对象，使用一个隐藏层和10个神经元。最后，我们使用该分类器对新样本进行预测，并输出预测结果。