简介
在本实验中，我们将学习神经网络模型以及它们如何用于监督学习任务。神经网络是一种流行的机器学习算法，能够学习数据中的非线性模式。它们通常用于分类和回归任务。
我们将特别关注多层感知器（MLP）算法，它是一种在输入层和输出层之间有一个或多个隐藏层的神经网络。MLP 可以学习数据中复杂的非线性关系，使其适用于广泛的任务。
虚拟机使用提示
虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们将立即为你解决问题。
导入必要的库
from sklearn.neural_network import MLPClassifier
加载数据集
## 加载数据集
X = [[0., 0.], [1., 1.]]
y = [0, 1]
创建并训练 MLP 模型
## 创建一个具有 5 个神经元的单隐藏层 MLP 分类器
clf = MLPClassifier(hidden_layer_sizes=(5,), random_state=1)
## 使用训练数据训练模型
clf.fit(X, y)
使用训练好的模型进行预测
## 对新样本进行预测
predictions = clf.predict([[0., 1.], [1., 0.]])
评估模型
## 评估模型准确率
accuracy = clf.score(X, y)
总结
在本实验中，我们学习了神经网络模型，特别是多层感知器（MLP）算法。我们导入了必要的库，加载了数据集，创建并训练了一个 MLP 模型，使用训练好的模型进行预测，并评估了模型的准确率。
MLP 是一种强大的算法，它可以学习数据中的非线性模式，并且广泛应用于分类和回归任务。它可以成为你机器学习工具库中的一个有用工具。