用sklearn写神经网络

作为AI助手，我可以为您提供一个例子，用sklearn库实现一个基本的神经网络。

首先，导入必要的库：

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

接下来，我们生成一个模拟数据集用于训练和测试：

X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

然后，我们将数据集划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)

接着，我们创建一个MLPClassifier对象，并设置其参数：

mlp = MLPClassifier(hidden_layer_sizes=(10,10,10), max_iter=1000)

这个MLPClassifier有3个隐藏层，每个隐藏层包含10个神经元，最大迭代次数为1000。

现在，我们可以使用训练数据来训练模型：

mlp.fit(X_train, y_train)

最后，我们可以使用测试数据来评估模型的准确性：

y_pred = mlp.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

完整代码如下：

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

# 生成模拟数据集
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

# 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MLPClassifier对象
mlp = MLPClassifier(hidden_layer_sizes=(10,10,10), max_iter=1000)

# 训练模型
mlp.fit(X_train, y_train)

# 评估模型准确性
y_pred = mlp.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

这个例子展示了如何使用sklearn库来实现一个基本的神经网络。当然，您可以根据自己的需求和数据特点来调整参数和网络结构，以获得更好的性能。