什么是神经网络

人工神经网络（ArtificialNeural Network，即ANN），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。如图6.6所示，一个神经元通常具有多个树突，主要用来接受传入信息；而轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触”。

                                

人工神经网络中的神经元模型（节点，如图6.7所示）是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出可以类比为神经元的轴突，计算则可以类比为细胞核。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

实质上，神经网络是一种运算模型，如图所示，是由大量的节点（或称神经元）之间相互联接构成。一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。

最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。同时，它也是目前最为火热的研究方向（即深度学习）的基础

任务3：使用sklearn中的MLPClassifier对鸢尾花分类。

scikit-learn中MLPClassifier类实现了通过反向传播（backpropagation）进行训练的多层感知器（Multi-Layer Perceptron，MLP）算法。使用的参考代码如下：

from sklearn.neural_network  import MLPClassifier    # 神经网络分类预测  mlp = MLPClassifier(solver='sgd',  activation='relu',alpha=1e-4,hidden_layer_sizes=(10,10), random_state=1,max_iter=500,verbose=10,learning_rate_init=.005)  # 训练模型  mlp.fit(x_train, y_train[['Cluster']].values.ravel())   # 评估模型  y_pred = mlp.predict(x_test)   print("预测准确度:{:.2f}".format(mlp.score(x_test,y_test[['Cluster']])))  print(pd.crosstab(y_test['Cluster'],  y_pred, rownames=['Actual  Values'], colnames=['Prediction']))

神经网络运行过程及模型评估结果如图所示，其分类准确度为97%。