sklearn神经网络回归代码

以下是使用Scikit-learn库中的MLPRegressor类实现神经网络回归的示例代码：

from sklearn.neural_network import MLPRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

# 生成随机回归数据
X, y = make_regression(n_samples=1000, n_features=10, noise=0.2)

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义神经网络模型
model = MLPRegressor(hidden_layer_sizes=(20, 10), max_iter=1000, random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 计算模型的MAE指标
mae = mean_absolute_error(y_test, y_pred)
print('MAE:', mae)

在这个示例中，我们生成了一个包含1000个样本和10个特征的随机回归数据集。我们使用train_test_split()将数据集拆分为训练集和测试集。然后我们定义了一个包含两个隐藏层的神经网络模型，并使用fit()方法训练模型。最后，我们使用predict()方法来预测测试集结果，并使用mean_absolute_error()函数计算模型的MAE指标。