编写一个Python程序，使用Scikit-learn实现多层感知机（MLP）用于分类任务。 要求使用Scikit-learn库，构建一个MLP模型，并在某一分类数据集上训练模型并进行预测。要求程序能够加载数据集、训练模型并输出预测结果以及准确率等评估指标。

好的，我可以帮您回答这个问题。以下是一个使用Scikit-learn实现多层感知机（MLP）用于分类任务的Python程序示例：

from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 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)

# 构建MLP模型
mlp = MLPClassifier(hidden_layer_sizes=(10, 5), max_iter=1000)

# 训练模型
mlp.fit(X_train, y_train)

# 预测测试集
y_pred = mlp.predict(X_test)

# 输出预测结果和准确率
print("预测结果：", y_pred)
print("准确率：", accuracy_score(y_test, y_pred))

在这个示例中，我们加载了Scikit-learn自带的鸢尾花数据集，并将其划分为训练集和测试集。然后，我们构建了一个有两层隐藏层的MLP模型，并在训练集上训练了该模型。最后，我们使用测试集进行预测，并输出预测结果和准确率。

您可以将代码复制到Python文件中并运行它，以获得MLP模型在鸢尾花数据集上的准确率。如果您想在其他数据集上运行该程序，只需将数据集加载和划分的部分替换为您自己的数据即可。