最优化方法Python计算：无约束优化应用——神经网络分类模型

本文链接：https://blog.youkuaiyun.com/u012958850/article/details/135298015

本文介绍了如何使用MLPClassifier类构建神经网络模型，以乳腺癌数据集为例进行训练和测试。通过数据预处理，构建了一个包含两个隐藏层的神经网络，用于分类良性与恶性乳腺癌，测试结果显示模型在剩余数据上的正确率较高。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Hello， 2024.
用NeuralNetwork类（详见博文《最优化方法Python计算：无约束优化应用——神经网络回归模型》）和Classification类（详见博文《最优化方法Python计算：无约束优化应用——线性回归分类器》）可以构建用于分类的神经网络。

class NeuralNetworkClassifier(Classification, NeuralNetwork):	#神经网络分类模型
    def __init__(self, hidden_layer_sizes = (100,)):
        super().__init__(hidden_layer_sizes)					#执行父类构造函数
        self.tagVal = np.round									#分类任务通过四舍五入离散化

注意构造函数中第4行将目标值函数设置为Numpy的round函数以适应分类模型。用NeuralNetworkClassifier解决下列案例。
综合案例
乳腺癌是困扰女性的一种疾病。随着医学科学的长足发展，许多病人通过手术可解除病痛，延续生命。然而，根据检查数据对患者的正确诊断是有效治疗的前提。文件breast-cancer-wisconsin.csv（来自UC Irvine Machine Learning Repository）记录了699例病人的记录。