bp神经网络预测python代码_机器学习之多层神经网络（附Python代码和数据）

1 引言

多层神经网络，Multiple-layers Perceptron (MLP)，又被称为多层感知机，是机器学习中深度学习的典型算法。关于多层神经网络的算法原理，我们在Stata和R实现的文章中已经进行过详细介绍。需要了解的朋友可以点击下面两个链接进行跳转。

盲区行者：深度学习之BP神经网络--Stata和R同步实现（附Stata数据和代码）​zhuanlan.zhihu.com

盲区行者：深度学习之BP神经网络--Stata和R同步实现（附R数据和代码）​zhuanlan.zhihu.com

今天我们用Python去介绍神经网络这一主流的深度学习算法。

2 用MLP逼近 XOR 函数

XOR函数简介：XOR相对于普通的 OR判断函数，区别在于两个参数表达式结果都为真（
True或者1）的时候，返回的是假（False或者0）；其它三种情况（(1, 0), (0 ,1), (0, 0)）返回的结果与OR一致，分别是(1, 1, 0)。换句话说，当XOR两个参数表达式结果一致的时候（都为0或都为1），返回的结果是0；不一致的时候返回的结果是1。

## 准备工作
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

## 输入结果变量和自变量的数据。这里共有2个自变量，或者说有2个特征
y = [0, 1, 1, 0]
X = [[0, 0], [0, 1], [1, 0], [1,1]]

## 用MPClassifier函数训练这个多层的MLP函数。隐藏层的层数指定是2，激活行数是logistic
classifier = MLPClassifier(solver='lbfgs', activation='logistic', 
                           hidden_layer_sizes=(2, ), random_state=20)
In[32]: classifier.fit(X, y)
Out[32]: 
MLPClassifier(activation='logistic', hidden_layer_sizes=(2,), random_state=20,
              solver='lbfgs')

## 基于训练好的MLP，基于训练数据进行预测
y_hat = classifier.predict(X)

## 评估MLP的性能
classifier.score(X, y) #输出预测结果的精确度
Out[34]: 1.0 #准确率达到100%

for i, p in enumerate(y_hat):
    print('真实值: %s, 预测值: %s' % (y[i], p))
真实值: 0, 预测值: 0
真实值: 1, 预测值: 1
真实值: 1, 预测值: 1
真实值: 0, 预测值: 0

3 MLP模型的应用案例

（待补充）