Python神经网络模型代码详解：MLPRegressor参数和应用

导入 MLPRegressor 模型 from sklearn.neural_network import MLPRegressor

创建一个 MLPRegressor 模型，设置参数 hidden_layer_sizes 为 (100, 50, 10)，代表有三个隐藏层，分别有 100、50 和 10 个神经元；max_iter 为 1000，代表最大迭代次数为 1000；alpha 为 0.001，代表正则化项的系数；solver 为 'adam'，代表使用 Adam 优化器；verbose 为 0，代表不输出训练过程信息；random_state 为 21，代表随机数种子。 model_mlp = MLPRegressor(hidden_layer_sizes=(100, 50, 10), max_iter=1000, alpha=0.001, solver='adam', verbose=0, random_state=21)

使用模型对训练集 X_train 进行拟合。 model_mlp.fit(X_train, y_train)

使用模型对测试集 X_test 进行预测，得到预测结果 y_pred_mlp。 y_pred_mlp = model_mlp.predict(X_test)

复制测试集 X_test，创建一个新的数据框 df_ads_pred_mlp。 df_ads_pred_mlp = X_test.copy()

在 df_ads_pred_mlp 中增加两列，一列为真实浏览量 y_test，一列为预测浏览量 y_pred_mlp。 df_ads_pred_mlp['浏览量真值'] = y_test df_ads_pred_mlp['浏览量预测值'] = y_pred_mlp

输出 df_ads_pred_mlp。 df_ads_pred_mlp

输出模型在测试集上的评分。 print('神经网络预测集评分：', model_mlp.score(X_test, y_test))

输出模型在训练集上的评分。 print('神经网络训练集评分：', model_mlp.score(X_train, y_train))