采用 Sklearn 中自带的手写数字数据集构建神经网络模型,并计算其预测准确率。的详细代码

在Scikit-Learn中，可以使用`digits`数据集来构建一个简单的神经网络模型。这里我们使用`MLPClassifier`（多层感知机分类器），它是一个基于梯度下降的前馈神经网络。以下是完整的代码示例：

# 导入所需的库
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
import numpy as np

# 加载手写数字数据集
digits = load_digits()
X = digits.data  # 数据特征
y = digits.target  # 数字标签

# 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)

# 创建一个三层的MLP分类器（隐藏层节点数为64）
mlp = MLPClassifier(hidden_layer_sizes=(64,), activation='relu', max_iter=500) 

# 训练模型
mlp.fit(X_train, y_train)

# 预测
predictions = mlp.predict(X_test)

# 计算预测准确率
accuracy = accuracy_score(y_test, predictions)
print(f"模型预测准确率为: {accuracy * 100:.2f}%")

# 输出模型参数和性能
print("Model parameters:")
for param_name, param_value in sorted(mlp.get_params().items()):
    print(f"{param_name}: {param_value}")

这个例子使用了ReLU激活函数，并设置了一个最大迭代次数为500次的限制。注意，实际项目中可能需要调整这些参数以优化模型性能。