1 引言

多層神經網絡，Multiple-layers Perceptron (MLP)，又被稱為多層感知機，是機器學習中深度學習的典型算法。關于多層神經網絡的算法原理，我們在Stata和R實現的文章中已經進行過詳細介紹。需要了解的朋友可以點擊下面兩個鏈接進行跳轉。

盲區行者：深度學習之BP神經網絡--Stata和R同步實現（附Stata數據和代碼）?zhuanlan.zhihu.com盲區行者：深度學習之BP神經網絡--Stata和R同步實現（附R數據和代碼）?zhuanlan.zhihu.com

今天我們用Python去介紹神經網絡這一主流的深度學習算法。

2 用MLP逼近 XOR 函數

XOR函數簡介：XOR相對于普通的OR判斷函數，區別在于兩個參數表達式結果都為真（
True或者1）的時候，返回的是假（False或者0）；其它三種情況（(1, 0), (0 ,1), (0, 0)）返回的結果與OR一致，分別是(1, 1, 0)。換句話說，當XOR兩個參數表達式結果一致的時候（都為0或都為1），返回的結果是0；不一致的時候返回的結果是1。## 準備工作 from sklearn.model_selection import train_test_split from sklearn.neural_network import MLPClassifier## 輸入結果變量和自變量的數據。這里共有2個自變量，或者說有2個特征 y = [0, 1, 1, 0] X = [[0, 0], [0, 1], [1, 0], [1,1]]## 用MPClassifier函數訓練這個多層的MLP函數。隱藏層的層數指定是2，激活行數是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')## 基于訓練好的MLP，基于訓練數據進行預測 y_hat = classifier.predict(X)## 評估MLP的性能 classifier.score(X, y) #輸出預測結果的精確度 Out[34]: 1.0 #準確率達到100%for i, p in enumerate(y_hat):print('真實值: %s, 預測值: %s' % (y[i], p)) 真實值: 0, 預測值: 0 真實值: 1, 預測值: 1 真實值: 1, 預測值: 1 真實值: 0, 預測值: 0

3 MLP模型的應用案例

（待補充）

總結

以上是生活随笔為你收集整理的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）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。