MLPClassifier构建单层神经网络

在 Scikit-learn 中，可以使用 `MLPClassifier` 类来构建多层感知器（Multi-Layer Perceptron, MLP）模型，其中单层神经网络就是指只有一个隐藏层的 MLP 模型。下面是一个使用 `MLPClassifier` 构建单层神经网络的例子：

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

# 生成分类数据
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_classes=2, random_state=1)

# 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=1)

# 定义 MLP 模型
mlp = MLPClassifier(hidden_layer_sizes=(10,), activation='relu', solver='adam', max_iter=1000, random_state=1)

# 训练模型
mlp.fit(X_train, y_train)

# 在测试集上评估模型
score = mlp.score(X_test, y_test)
print('Accuracy: {:.2f}%'.format(score * 100))

在这个例子中，我们首先使用 `make_classification` 函数生成一个包含 1000 个样本和 10 个特征的分类数据集，然后将数据集划分为训练集和测试集。接着，我们定义了一个包含 1 个隐藏层、每个隐藏层包含 10 个神经元的 MLP 模型，并使用训练集对模型进行训练。最后，我们在测试集上评估了模型的准确率。

需要注意的是，在 `MLPClassifier` 中，`hidden_layer_sizes` 参数指定隐藏层的大小，它可以是一个整数（表示只有一个隐藏层，且该隐藏层的大小为指定的整数），也可以是一个元组（表示有多个隐藏层，元组中的每个元素表示每个隐藏层的大小）。`activation` 参数指定激活函数，`solver` 参数指定优化器，`max_iter` 参数指定最大迭代次数，`random_state` 参数指定随机数种子。