神经网络模型和决策树模型

神经网络模型和决策树模型是两种常见的机器学习模型，下面简要介绍如何在Python中实现它们。

**1. 神经网络模型**[^1]
使用`scikit-learn`库中的`MLPClassifier`可以创建多层感知器（Multilayer Perceptron，简称MLP）神经网络。首先导入所需模块：

from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
# 假设我们有特征X和标签y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
nn_model = MLPClassifier(hidden_layer_sizes=(100,), activation='relu', solver='adam')
nn_model.fit(X_train, y_train)

然后评估模型准确性：

accuracy = nn_model.score(X_test, y_test)

**2. 决策树模型**
`DecisionTreeClassifier`用于构建决策树模型：

from sklearn.tree import DecisionTreeClassifier
tree_model = DecisionTreeClassifier(random_state=42)
tree_model.fit(X_train, y_train)
tree_accuracy = tree_model.score(X_test, y_test)

比较模型准确率：

print(f"Neural Network Accuracy: {accuracy}")
print(f"Decision Tree Accuracy: {tree_accuracy}")

**相关问题--:**
1. 如何调整神经网络模型的超参数以优化性能？
2. 为什么在训练决策树时要考虑剪枝？
3. 如何在Python中实现集成学习方法（如随机森林）来进一步提高模型性能？