使用Scikit-learn在Python中设置神经网络的方法

得预测！ 我们可以简单地使用我们的拟合模型中的 predict（）方法：

　　现在我们可以使用 SciKit-Learn 内置的指标，如分类报告和混淆矩阵来评估我们的模型执行得如何：

　　看上去只有三个案例被错误分类了，准确率达到 98 %（以及 98％ 的精度和召回）。考虑到我们才写了这么少的代码，效果还是相当不错的。 然而，使用多层感知器模型的缺点在于，解释模型本身存在着很多困难，而特征的权重和偏差很难轻易解释。

　　然而，如果希望在训练模型后提取MLP权重和偏差，则需要使用其公共属性 coefs_ 和 intercepts_。

　　coefs_ 是权重矩阵的列表，其中索引i 处的权重矩阵表示层 i 和层 i + 1 之间的权重。

　　intercepts_ 是偏差向量的列表，其中索引i 处的向量表示添加到层 i + 1 的偏差值。

　　| 结论

　　希望你喜欢这个关于神经网络的简短讨论，我们可以在学习中尝试玩转隐藏层和神经元的数量，看看它们如何影响结果。