Python 神经网络模型：MLPRegressor 代码详解

这段代码使用 Python 的 MLPRegressor 库实现一个神经网络模型，对数据进行训练和预测。

model_mlp = MLPRegressor(hidden_layer_sizes=(100,50,10), max_iter=1000, alpha=0.001, solver='adam', verbose=0, random_state=21)
model_mlp.fit(X_train, y_train) 
y_pred_mlp = model_mlp.predict(X_test)
df_ads_pred_mlp = X_test.copy() 
df_ads_pred_mlp['浏览量真值'] = y_test 
df_ads_pred_mlp['浏览量预测值'] = y_pred_mlp 
df_ads_pred_mlp
print('神经网络预测集评分：', model_mlp.score(X_test, y_test))
print('神经网络训练集评分：', model_mlp.score(X_train, y_train))

代码详解:

• model_mlp = MLPRegressor(...)：创建 MLPRegressor 模型对象，设置模型参数：
  • hidden_layer_sizes=(100, 50, 10)：定义神经网络的隐藏层结构，包含三个隐藏层，分别有 100、50 和 10 个神经元。
  • max_iter=1000：设置最大迭代次数为 1000 次。
  • alpha=0.001：正则化参数，用于防止过拟合。
  • solver='adam'：优化器，使用 Adam 算法进行优化。
  • verbose=0：不打印训练过程的详细信息。
  • random_state=21：随机数生成器的种子，保证结果可重复。
• model_mlp.fit(X_train, y_train)：使用训练集数据 X_train 和 y_train 对模型进行训练。
• y_pred_mlp = model_mlp.predict(X_test)：使用训练好的模型对测试集数据 X_test 进行预测，并将预测结果存储在 y_pred_mlp 中。
• df_ads_pred_mlp = X_test.copy()：创建测试集数据的副本。
• df_ads_pred_mlp['浏览量真值'] = y_test：将测试集的真实目标值添加为数据框的一列，命名为 '浏览量真值'。
• df_ads_pred_mlp['浏览量预测值'] = y_pred_mlp：将预测结果添加为数据框的一列，命名为 '浏览量预测值'。
• print(...)：打印神经网络模型在测试集和训练集上的评分。

这段代码演示了如何使用 MLPRegressor 建立一个简单的神经网络模型，并对其进行训练和预测。通过分析代码和参数，可以更好地理解神经网络模型的构建和应用。