導語

上次寫了隨機森林的基於sklearn庫的大致實現步驟，這次我們來看看人工神經網路的實現步驟吧~

MLP就是多層感知器的意思，我們這裡也是通過引入MLPClassifier來實現的。

步驟詳解：

首先從sklearn中匯入MLPC
匯入待訓練的資料集
通過呼叫MLPC訓練器對訓練集進行訓練
利用訓練集對測試資料進行測試
返回錯誤率

from sklearn.neural_network import MLPClassifier
x = [[0,0]
y = [0,1]

clf = MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(5,2),random_state=1)

clf.fit(X,y)

X1
 
 = [[2,2],[-1,2]]
preY1 = clf.predict(X1)

以上程式碼從輸入訓練集，和輸入測試集，最後給出了對測試集的預測。

那我們接下來解析一下MLPClassifier分類器的屬性設定吧~

solver='lbfgs'

solver給的是神經網路的求解方法，lbfgs是其中一種求解方法，在資料比較小的時候表現較好。
adam這種方法則魯棒性較強，
sgd則在引數調整較優的時候會有最佳表現。

本文程式碼來自於官網，思路是參考的各路大神的部落格~