测试多层神经网络针对不同数据集的训练效果

对应代码已同步上传资源内，如所需请自行下载。

一、实验要求

在计算机上验证和测试多层神经网络针对不同数据集的训练效果，同时查阅相关资料。

二、实验目的

1、掌握sklearn开发环境
2、掌握sklearn.neural_network 下的神经网络分类器 MLPClassifier；
3、掌握sklearn.linear_model 下的感知机分类器Perceptron；

三、实验内容

实验步骤
1.请针对如下四种数据集，对比2层隐藏层下不同神经元个数（2，2），（5，5），（10，10）以及4层神经网络（2，2，2，2），（5，5，5，5），（10，10，10，10），对比分类效果，以及每个模型的迭代次数和训练时间，然后给出分析结论。

（10，10），Wall time: 435 ms（迭代时间为图一，下同）#输出最大迭代次数：194

（5，5），Wall time1: 580 ms，#输出最大迭代次数：301

（5，5，5，5），Wall time1: 468ms，#输出最大迭代次数：137

（10，10，10，10），Wall time1: 476ms，#输出最大迭代次数：163

结论：同一隐藏层下，增加神经元个数，能够增加拟合程度，增加隐藏层数，能够减少迭代次数，拟合程度增加

上课讲解：在一定程度上，神经元层数与个数越多越好。神经元个数越多算法识别的范围越大，神经元的层数对应算法识别的深度。

2. 针对不同噪声下的太极数据集，对比2层隐藏层下不同神经元个数（2，2），（5，5），（10，10）以及4层神经元（2，2，2，2），（5，5，5，5），（10，10，10，10），对比分类效果，以及每个模型的迭代次数和训练时间，然后给出分析结论。

（10，10，10，10），Wall time1: 542ms，#输出最大迭代次数：189

（5,5,5,5），Wall time1: 900ms，#输出最大迭代次数：326

（10,10），Wall time1: 763ms，#输出最大迭代次数：356

（5,5），Wall time1: 696ms，#输出最大迭代次数：392

结论：隐藏层数增加，神经元数增加，拟合程度越大。隐藏层数增加，迭代次数减少，噪声增大，迭代次数减少。

上课讲解：从图中看不出具体规律，这几种神经元都可以处理这种简单分类

四、实验总结

本次实验重在观察，但由于实验数据量小，结论可能存在偏差。