基于多层感知机的纯数据多输入单输出回归预测代码

以下是基于多层感知机的纯数据多输入单输出回归预测代码的示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 生成随机数据
data = np.random.random((1000, 5))
labels = np.random.random((1000, 1))

# 构建模型
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=5))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='rmsprop', loss='mse')

# 训练模型
model.fit(data, labels, epochs=10, batch_size=32)

# 预测新数据
new_data = np.random.random((10, 5))
predictions = model.predict(new_data)
print(predictions)

解释：
- 首先，我们生成了一个随机的数据集 `data` 和对应的标签 `labels`，其中数据有5个特征，标签只有1个输出。
- 接着，我们构建了一个多层感知机模型，包含1个输入层、1个隐藏层和1个输出层。输入层有5个神经元，隐藏层有32个神经元，输出层有1个神经元。
- 然后，我们编译模型，使用均方误差作为损失函数，使用 RMSprop 作为优化器。
- 最后，我们训练模型，使用随机梯度下降算法，迭代10次，每次训练使用32个样本。
- 最后，我们使用模型预测新数据 `new_data` 的输出，然后将预测结果打印出来。