神经网络学习能力强大，在数据量足够，隐藏层足够多的情况下，理论上可以拟合出任何方程。
理论部分sklearn提供的神经网络算法有三个:
neural_network.BernoulliRBM，neural_network.MLPClassifier，neural_network.MLPRgression
我们现在使用MLP(Multi-Layer Perception)做分类，回归其实也类似。该网络由三部分组成：输入层、隐藏层、输出层，其中隐藏层的个数可以人为设定。神经网络学习之后的知识都存在每一层的权重矩阵中，学习的过程也就是不断训练权重达到拟合的效果。权重训练比较常用的方法是反向传递(Backpropagation)
分类代码 #coding=utf-8import pandas as pdimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn import datasetsfrom sklearn.neural_network import MLPClassifierimport numpy as npfrom sklearn.preprocessing import StandardScalerdef main(): iris = datasets.load_iris() #典型分类数据模型 #这里我们数据统一用pandas处理 data = pd.DataFrame(iris.data, columns=iris.feature_names) data['class'] = iris.target #这里只取两类 data = data[data['class']!=2] #为了可视化方便，这里取两个属性为例 scaler = StandardScaler() X = data[['sepal length (cm)','sepal width (cm)']] scaler.fit(X) #标准化数据集 X = scaler.transform(X) Y = data[['class']] #划分数据集 X_train, X_test, Y_train, Y_test =train_test_split(X, Y) mpl = MLPClassifier(solver='lbfgs',activation='logistic') mpl.fit(X_train, Y_train) print 'Score:n',mpl.score(X_test, Y_test) #score是指分类的正确率 #区域划分 h = 0.02 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = mpl.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, cmap=plt.cm.Paired) #做出原来的散点图 class1_x = X[Y['class']==0,0] class1_y = X[Y['class']==0,1] l1 = plt.scatter(class1_x,class1_y,color='b',label=iris.target_names[0]) class2_x = X[Y['class']==1,0] class2_y = X[Y['class']==1,1] l2 = plt.scatter(class2_x,class2_y,color='r',label=iris.target_names[1]) class3_x = X[Y['class']==2,0] class3_y = X[Y['class']==2,1] l3 = plt.scatter(class3_x,class3_y,color='g',label=iris.target_names[2]) plt.legend(handles = [l1, l2,l3], loc = 'best') plt.grid(True) plt.show()if __name__ == '__main__': main() 测试结果转载于:https://www.cnblogs.com/fanghao/p/7533385.html