帮写一段python实现以下功能，从test.xlsx文件读入三列数据，第一二列为自变量，第三列为因变量，构建神经网络并对其进行训练，前60行为训练集，60行后的数据为测试集，用最小二乘法对函数进行拟合并画图。并显示第一列值为80,第二列值为90时时，预测的第三列值。

下面是一段Python实现代码，实现以上功能：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error

# 读入数据
data = pd.read_excel('test.xlsx')

# 划分训练集和测试集
train_data = data.iloc[:60, :]
test_data = data.iloc[60:, :]

# 构建神经网络
model = MLPRegressor(hidden_layer_sizes=(10,), activation='relu', solver='adam', max_iter=1000)

# 训练模型
model.fit(train_data.iloc[:, :2], train_data.iloc[:, 2])

# 预测测试集
test_pred = model.predict(test_data.iloc[:, :2])

# 计算均方误差
test_mse = mean_squared_error(test_data.iloc[:, 2], test_pred)

# 使用最小二乘法拟合函数
x = data.iloc[:, :2]
y = data.iloc[:, 2]
A = np.vstack([x.iloc[:, 0], x.iloc[:, 1], np.ones(len(x))]).T
result = np.linalg.lstsq(A, y, rcond=None)

# 绘制散点图和拟合函数
fig, ax = plt.subplots()
ax.scatter(data.iloc[:, 0], data.iloc[:, 1], c=data.iloc[:, 2], cmap='coolwarm')
xx, yy = np.meshgrid(np.linspace(data.iloc[:, 0].min(), data.iloc[:, 0].max(), 100),
                     np.linspace(data.iloc[:, 1].min(), data.iloc[:, 1].max(), 100))
zz = result[0][0]*xx + result[0][1]*yy + result[0][2]
ax.plot_surface(xx, yy, zz, alpha=0.5)
ax.set_xlabel('x1')
ax.set_ylabel('x2')
ax.set_zlabel('y')
plt.show()

# 预测第一列值为80，第二列值为90时的第三列值
test_input = np.array([[80, 90]])
test_output = model.predict(test_input)
print('第一列值为80，第二列值为90时的预测值为：', test_output[0])

说明：

1. 读入数据：使用Pandas库的read_excel函数读取Excel文件中的数据，并存储在DataFrame数据结构中；
2. 划分训练集和测试集：使用iloc函数对DataFrame进行切片操作，将前60行数据作为训练集，60行后的数据作为测试集；
3. 构建神经网络：使用sklearn库中的MLPRegressor类构建一个具有一个隐藏层、10个神经元的神经网络；
4. 训练模型：使用fit函数对神经网络进行训练，训练数据为训练集中的前两列数据，因变量为第三列数据；
5. 预测测试集：使用predict函数对测试集进行预测；
6. 计算均方误差：使用mean_squared_error函数计算预测值和真实值之间的均方误差；
7. 使用最小二乘法拟合函数：使用numpy库的vstack、linalg.lstsq函数对数据进行最小二乘法拟合，得到拟合函数的系数；
8. 绘制散点图和拟合函数：使用matplotlib库的scatter、plot_surface函数绘制散点图和拟合函数的三维曲面；
9. 预测第一列值为80，第二列值为90时的第三列值：使用predict函数对输入为(80, 90)的数据进行预测，输出预测值。