MLPClassifier的部分参考（仅用于本人备忘使用）

官方API文档

模型参数：

hidden_layer_sizes=100, ),                          #隐藏层数
activation='relu',                                           #激活函数
learning_rate_init=0.001,                             #学习率
max_iter=200,                                              #最大迭代次数
random_state=None,                                   #随机状态（如果有，可以保证结果一样）

fit 

fit(参数，目标值）#目标值即为结果

predict（参数）#模型预测 参数即为根据什么来推测结果

实例1： 

from sklearn.neural_network import MLPClassifier
import pandas as pd
import numpy as np
from sklearn.neural_network import MLPRegressor
data_tr=pd.read_csv("BPdata_tr.txt")
data_te=pd.read_csv("BPdata_te.txt")

model =MLPRegressor(hidden_layer_sizes=(4,),random_state=10)#构建模型
model.fit(data_tr.iloc[:,:2],data_tr.iloc[:,2])#模型训练
pre=model.predict(data_te.iloc[:,:2])#模型预测
err=np.abs(pre*data_te.iloc[:,2]).mean()#模型评估

实例2（基于sklearn的神经网络分类鸢尾花数据）

from sklearn.neural_network import MLPClassifier
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split#用于划分测试集与训练集

data=pd.read_csv("data/datasets-uci-iris.csv",header=None)#读取数据
print(data.head())

class_mapping = {label:idx for idx,label in enumerate(set(data[4]))}
data[4] = data[4].map(class_mapping)#将类别属性转换为数值属性，方便用于模型评估
print(data.head())

model=MLPClassifier(hidden_layer_sizes=(10,10,4,),random_state=10,learning_rate_init = 0.01)#模型初始化
X_train, X_test, y_train, y_test=train_test_split(data.iloc[:,:4],data.iloc[:,4],test_size = 0.6)#随机划分测试集与训练集
model.fit(X_train,y_train)#模型训练

pre=model.predict(X_test)#模型预测

print(pre)