使用sklearn 的 MLP 实现神经网络

在Python的scikit-learn库中，可以使用MLPClassifier（Multilayer Perceptron Classifier）类来创建和训练一个多层感知器模型，它是一个基本的神经网络用于分类任务。以下是实现步骤：

1. **导入所需库**:

   from sklearn.neural_network import MLPClassifier
   from sklearn.model_selection import train_test_split
   from sklearn.preprocessing import StandardScaler
   import numpy as np

2. **数据预处理**:
- 加载数据集并划分特征和目标变量。
- 如果需要，对数值型数据进行标准化（如归一化或标准化），以便更好地适应神经网络。

3. **创建模型**:

   mlp = MLPClassifier(hidden_layer_sizes=(100, 50), # 隐藏层结构
                       activation='relu',        # 激活函数，这里使用ReLU
                       solver='adam',            # 优化算法，常用adam
                       max_iter=200)              # 迭代次数

`hidden_layer_sizes`参数指定了隐藏层的数量及节点数，可以根据问题调整。

4. **拆分数据**:

   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

5. **训练模型**:

   scaler = StandardScaler()  # 可选，对X_train进行预处理
   X_train_scaled = scaler.fit_transform(X_train)

   mlp.fit(X_train_scaled, y_train)

6. **评估模型**:

   predictions = mlp.predict(X_test)
   accuracy = mlp.score(X_test, y_test)
   print("Accuracy:", accuracy)