使用python代码创建一个MLP数据预测模型

好的，下面是一个简单的 MLP（多层感知机）数据预测模型的 Python 代码示例：

import numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
data = np.loadtxt("data.csv", delimiter=",")

# 划分训练集和测试集
X = data[:, :-1]
y = data[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建 MLP 模型
model = MLPRegressor(hidden_layer_sizes=(10, 10), activation='relu', solver='adam', max_iter=1000)

# 训练模型
model.fit(X_train, y_train)

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

# 打印均方误差
print("均方误差：", mean_squared_error(y_test, y_pred))

上述代码中，我们使用了 scikit-learn 库中的 MLPRegressor 类来创建 MLP 模型。其中，hidden_layer_sizes 参数指定了 MLP 的隐藏层的神经元个数，activation 参数指定了激活函数，solver 参数指定了权重优化算法，max_iter 参数指定了最大迭代次数。

我们还使用了 train_test_split 函数来将数据集划分为训练集和测试集，以评估模型的性能。最后，我们计算了预测结果的均方误差，并输出了结果。