sklearn实现mlp的回归

在Scikit-learn库中，可以使用`MLPRegressor`模型来实现多层感知机（Multilayer Perceptron, MLP）的回归任务。MLP是一种人工神经网络，常用于处理非线性和复杂的数据模式。以下是使用`MLPRegressor`的基本步骤：

1. **导入必要的模块**：

   from sklearn.neural_network import MLPRegressor
   from sklearn.model_selection import train_test_split
   from sklearn.preprocessing import StandardScaler
   from sklearn.datasets import load_iris

2. **加载数据集（这里举例用iris数据集，实际应用需替换为相应数据）**：

   iris = load_iris()
   X = iris.data
   y = iris.target

3. **数据预处理**：
- 划分训练集和测试集：

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

- 标准化数据，确保所有特征在同一尺度上：

     scaler = StandardScaler()
     X_train = scaler.fit_transform(X_train)
     X_test = scaler.transform(X_test)

4. **创建并训练MLPRegressor模型**：

   mlp = MLPRegressor(hidden_layer_sizes=(100,), activation='relu', solver='adam', alpha=0.0001, max_iter=500)
   mlp.fit(X_train, y_train)

这里设置了隐藏层大小为100，激活函数为ReLU，优化器为Adam，正则化参数alpha为0.0001，迭代次数为500次。

5. **评估模型性能**：

   predictions = mlp.predict(X_test)
   from sklearn.metrics import mean_squared_error, r2_score
   mse = mean_squared_error(y_test, predictions)
   r2 = r2_score(y_test, predictions)
   print("MSE:", mse)
   print("R² Score:", r2)