简单地 sklearn 用神经网络模型分类鸾尾花数据集

Iris数据集使用方法：

https://blog.csdn.net/qq_17336559/article/details/81480629

Sklearn神经网络使用方法以及参数说明：

https://www.jianshu.com/p/71fde5d90136

import numpy as np
from sklearn import datasets
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt


iris = datasets.load_iris()

train_data, test_data, train_label, test_label = train_test_split(iris.data, iris.target, test_size=0.2, random_state=0) #训练集占百分之八十，测试集占百分之二十

mlp = MLPClassifier(hidden_layer_sizes=(20,3))
mlp.fit(train_data,train_label)

pre = mlp.predict(test_data)
print("Training set score: %f" % mlp.score(train_data, train_label))
print("Test set score: %f" % mlp.score(test_data, test_label))
print("真实：")
print(test_label)
print("预测：")
print(pre)

输出：

再试了一下结果为：

 

发现变化很大，这是因为随机权值导致的，改为：

mlp = MLPClassifier(hidden_layer_sizes=(20,3),random_state=1)

加上一个固定的随机值，这样就能保证每次一样了,可以调整random_state，找到最优的。

将层数和每层的神经元数增多：

mlp = MLPClassifier(hidden_layer_sizes=(20,20,20),random_state=1)

准确度基本到1了。