sklearn.neural_network.MLPClassifier
MLPClassifier(hidden_layer_sizes=(100, ), activation='relu',
solver='adam', alpha=0.0001, batch_size='auto',
learning_rate='constant', learning_rate_init=0.001,
power_t=0.5, max_iter=200, shuffle=True,
random_state=None, tol=0.0001, verbose=False,
warm_start=False, momentum=0.9, nesterovs_momentum=True,
early_stopping=False, validation_fraction=0.1,
beta_1=0.9, beta_2=0.999, epsilon=1e-08,
n_iter_no_change=10)
hidden_layer_sizes：tuple，第i個元素表示第i個隱藏層的神經元個數。activation：隱藏層激活函數，identity、logistic、tanh、relu。solver：權重優化算法，lbfgs、sgd、adam。alpha：正則化項參數。batch_size：隨機優化的minibatches的大小。learning_rate：學習率，constant、invscaling、adaptive。learning_rate_init：初始學習率。只有當solver為sgd或adam時才使用。power_t：逆擴展學習率的指數，只有當solver為sgd時才使用。max_iter：最大迭代次數。shuffle：是否在每次迭代時對樣本進行清洗，當solver為sgd或adam時使用。random_state：隨機數種子。tol：優化算法停止的條件。當迭代前后的函數差值小於等於tol時就停止。verbose：是否將過程打印出。warm_start：是否使用之前的解決方法作為初始擬合。momentum：梯度下降的動量，介於0到1之間，solver為sgd時使用。nesterovs_momentum：是否使用Nesterov動量。early_stopping：判斷當驗證效果不再改善時是否終止訓練。validation_fraction：用作早起停止驗證的預留訓練集的比例，0到1之間。beta_1：估計一階矩向量的指數衰減速率，[0,1)之間。beta_2：估計二階矩向量的指數衰減速率，[0,1)之間。epsilon：數值穩定值，solver為adam時使用。
返回值屬性說明
classes_：每個輸出的類標簽，大小為(n_classes,)。loss_：損失函數計算出的當前損失值。coefs_：列表中的第i個元素表示i層的權重矩陣。intercepts_：列表中第i個元素表示i+1層的偏差向量。n_iter_：迭代次數。n_layers_：層數。n_outputs_：輸出的個數。out_activation_：輸出激活函數的名稱。
返回值方法說明
fit(X,y)：擬合。get_params()：獲取參數。predict(X)：進行預測。predict_log_proba(X)：對數概率估計。predict_proba(X)：概率估計。score(X, y)：返回給定測試數據和標簽的平均准確度。set_params()：設置參數。
from sklearn.neural_network import MLPClassifier
X = [[0., 0.], [1., 1.]]
y = [0, 1]
clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(5,2), random_state=1)
clf.fit(X, y)
clf.predict([[2., 2.], [-1., -2.]])
