使用sklearn创建多层感知机代码

在Python中，你可以使用scikit-learn库（sklearn）来创建一个多层感知机（Multilayer Perceptron，MLP）。以下是使用sklearn库中`MLPClassifier`（对于分类任务）或`MLPRegressor`（对于回归任务）的一个简单示例：

### 分类任务（假设数据集已经预处理并分为X和y）

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

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 定义MLP模型
mlp = MLPClassifier(hidden_layer_sizes=(100, 50),  # 隐藏层大小
                    activation='relu',  # 激活函数，默认为ReLU
                    solver='adam',  # 解决器，如SGD、Adam等
                    max_iter=1000)  # 迭代次数

# 训练模型
mlp.fit(X_train, y_train)

# 预测
predictions = mlp.predict(X_test)

# 评估模型
print("Accuracy:", mlp.score(X_test, y_test))

### 回归任务（同样假设数据集已预处理）

from sklearn.neural_network import MLPRegressor

# 同样的数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建MLPRegressor
mlpr = MLPRegressor(hidden_layer_sizes=(100, 50),
                     activation='tanh',  # 对于回归，常用tanh或linear激活
                     max_iter=1000)

# 训练
mlpr.fit(X_train, y_train)

# 预测
y_pred = mlpr.predict(X_test)

# 评估
print("Mean Squared Error:", mean_squared_error(y_test, y_pred))