多层神经网络应用——iris分类

利用多层神经网络对鸢尾花进行分类。鸢尾花数据集（iris）一共有150个数据，这些数据分为3类（分别为：setosa，versicolor，virginica），每类50个数据，前五十个样本点属于类别1，中间50个数据是类别2，末尾50个数据是类别3。每个数据包含4个属性：萼片（sepal）长度、萼片宽度、花瓣（petal）长度、花瓣宽度。

hidden_layer_sizes = （97，98）表示两层隐含层，第一层97个神经元，第二层98个神经元。

首先加载数据集：

from matplotlib.colors import ListedColormap
from sklearn import neighbors, datasets
import numpy as np
from matplotlib import  pyplot as plt
from sklearn.neural_network import MLPClassifier

## 加载数据集
np.random.seed(0)
iris=datasets.load_iris() # 使用 scikit-learn  自带的 iris 数据集
X=iris.data[:,0:2] # 使用前两个特征，方便绘图
Y=iris.target # 标记值
data=np.hstack((X,Y.reshape(Y.size,1)))
np.random.shuffle(data) # 混洗数据。因为默认的iris 数据集：前50个数据是类别0，中间50个数据是类别1，末尾50个数据是类别2.混洗将打乱这个顺序
X=data[:,:-1]
Y=data[:,-1]
train_x=X[:-30]
test_x=X[-30:] # 最后30个样本作为测试集
train_y=Y[:-30]
test_y=Y[-30:]

X=iris.data[:,0:2] 表示使用前两个特征（sepal length和sepal width），因为两个特征方便在二维图形上表现出来，横轴为：sepal length，纵轴为：sepal width。对数据进行混洗，最后取出最后的30个数据作为测试集。

 

def plot_classifier_predict_meshgrid(ax,clf,x_min,x_max,y_min,y_max):
      ''' 绘制 MLPClassifier 的分类结果 :param ax:  Axes 实例，用于绘图:param clf: MLPClassifier 实例
    :param x_min: 第一维特征的最小值:param x_max: 第一维特征的最大值:param y_min: 第二维特征的最小值
    :param y_max: 第二维特征的最大值:return: None  '''
      plot_step = 0.02 # 步长
      xx, yy = np.meshgrid(