python代码实现支持神经网络对鸢尾花分类

1、导入支持向量机模型，划分数据集

from sklearn import datasets
from sklearn import svm

iris=datasets.load_iris()
iris_x=iris.data
iris_y=iris.target
indices = np.random.permutation(len(iris_x))
iris_x_train = iris_x[indices[:-10]]
iris_y_train = iris_y[indices[:-10]]
iris_x_test = iris_x[indices[-10:]]
iris_y_test = iris_y[indices[-10:]]

2、训练模型

clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
hidden_layer_sizes=(5, 2), random_state=1)
clf.fit(iris_x_train,iris_y_train)

#hidden_layer_sizes，它用来设置隐藏层大小，长度就是隐藏层的数量。在第一次，我们设置的是 [5,2] 这个数组，这样我们的网络有两层隐藏层，第一层有 5 个神经元，第二层有 2 个神经元。

多层感知器是一种人工神经网络模型，由多个神经网络层组成，其中包括输入层、隐藏层和输出层。MLPClassifier() 可以用于解决分类问题，它具有以下一些重要参数：
hidden_layer_sizes：指定隐藏层的大小和数量。
activation：激活函数，如 ‘logistic’、‘relu’、‘tanh’ 等。
solver：优化算法，如 ‘adam’、‘sgd’ 等。
alpha：L2 正则化参数。
learning_rate：学习率的调整策略，如’constant’、‘adaptive’ 等。
max_iter：最大迭代次数。

3、为测试数据集分类

iris_y_predict = clf.predict(iris_x_test)
score=clf.score(iris_x_test,iris_y_test,sample_weight=None)
print('iris_y_predict = ')
print(iris_y_predict)
print('iris_y_test = ')
print(iris_y_test)
print('Accuracy:',score)
print('layers nums :',clf.n_layers_)

iris_y_predict = 
[2 2 2 2 2 2 2 2 2 2]
iris_y_test = 
[1 1 1 0 0 0 2 1 2 0]
Accuracy: 0.2
layers nums : 4

在第一次输出的时候，可以看到准确率只有 20%，是不是让人大跌眼镜？不要担心，神经网络的重点就在这里，我们接着往下看。

clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
hidden_layer_sizes=(10, 10,10), random_state=1)
clf.fit(iris_x_train,iris_y_train)
iris_y_predict = clf.predict(iris_x_test)
score=clf.score(iris_x_test,iris_y_test,sample_weight=None)
print('iris_y_predict = ')
print(iris_y_predict)
print('iris_y_test = ')
print(iris_y_test)
print('Accuracy:',score)
print('layers nums :',clf.n_layers_)

iris_y_predict = 
[1 2 1 0 0 0 2 1 2 0]
iris_y_test = 
[1 1 1 0 0 0 2 1 2 0]
Accuracy: 0.9
layers nums : 5

第二次输出的时候，对于代码其他部分没有做任何调整，只是对 hidden_layer_sizes 进行了修改，改成了三个隐藏层，每个隐藏层有10 个神经元，这个时候神奇的事情发生了，我们的准确率已经提升到 了 90%。

优点
1、可以不断地扩展模型的边界，而对于内部具体的运行不需要加以太多的干涉。通过不同的搭建手段，神经网络几乎可以去模拟任何算法的结果，只要数据量够多，构建的模型够完善，最终都会有一个很好的结果。

缺点
1、神经网络缺乏可解释性，它的内部纷繁复杂，就像一个神奇的黑匣子，你告诉它数据，然后它告诉你结果，至于为什么会这样，它不做任何解释。所以在很多对解释性要求比较高的场景，比如信用评级、金融风控等情况下没办法使用。
2、神经网络非常消耗资源，不管是数据、网络节点，还是硬件设备，要构建一套完美的神经网络模
型开销是非常大的，不光训练时间长，还需要耗费很大的人力物力。