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个元素表示第i个隐藏层的神经元个数。activation：隐藏层激活函数，identity、logistic、tanh、relu。solver：权重优化算法，lbfgs、sgd、adam。alpha：正则化项参数。batch_size：随机优化的minibatches的大小。learning_rate：学习率，constant、invscaling、adaptive。learning_rate_init：初始学习率。只有当solver为sgd或adam时才使用。power_t：逆扩展学习率的指数，只有当solver为sgd时才使用。max_iter：最大迭代次数。shuffle：是否在每次迭代时对样本进行清洗，当solver为sgd或adam时使用。random_state：随机数种子。tol：优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。verbose：是否将过程打印出。warm_start：是否使用之前的解决方法作为初始拟合。momentum：梯度下降的动量，介于0到1之间，solver为sgd时使用。nesterovs_momentum：是否使用Nesterov动量。early_stopping：判断当验证效果不再改善时是否终止训练。validation_fraction：用作早起停止验证的预留训练集的比例，0到1之间。beta_1：估计一阶矩向量的指数衰减速率，[0,1)之间。beta_2：估计二阶矩向量的指数衰减速率，[0,1)之间。epsilon：数值稳定值，solver为adam时使用。
返回值属性说明
classes_：每个输出的类标签，大小为(n_classes,)。loss_：损失函数计算出的当前损失值。coefs_：列表中的第i个元素表示i层的权重矩阵。intercepts_：列表中第i个元素表示i+1层的偏差向量。n_iter_：迭代次数。n_layers_：层数。n_outputs_：输出的个数。out_activation_：输出激活函数的名称。
返回值方法说明
fit(X,y)：拟合。get_params()：获取参数。predict(X)：进行预测。predict_log_proba(X)：对数概率估计。predict_proba(X)：概率估计。score(X, y)：返回给定测试数据和标签的平均准确度。set_params()：设置参数。
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.]])
