Python MLPREGESSOR（scikit）的回归问题

我需要开发一个神经网络，能够从输入中的FEW参数（偏移、极限、西格玛）开始产生2D映射（例如高斯分布）的输出值。在下面的代码中，我尝试从一个简单的案例研究开始，可能是以错误的方式，使用高斯分布的一维映射

输出不符合预期，我不知道是否遗漏了数据格式或神经网络实例。有什么建议吗

from sklearn.neural_network import MLPRegressor
import numpy as np
import matplotlib.pyplot as plt
import math

def gaussian(x, alpha, r):
          return 1./(math.sqrt(alpha**math.pi))*np.exp(-alpha*np.power((x - r), 2.))

features = 20000
output = 1000

w = []
j = []
for iii in range(0,features):  
    mu,sigma = 0.,(iii+1)
    x = np.linspace(-(iii+1), (iii+1), output)    
    t = gaussian(x, sigma, iii)
    t = t.tolist()

    dummy = np.zeros(3)   
    dummy[0] = sigma
    dummy[1] = (iii+1)
    dummy[2] = (iii)

    dummy = dummy.tolist()  
    w.append(t)
    j.append(dummy)  


nn = MLPRegressor(hidden_layer_sizes=(5000,10), activation='tanh', solver='lbfgs')

model = nn.fit(j,w)

test_i = [[1.0,1.0,0.0]]
test_o = nn.predict(test_i)

---

添加输出和/或错误，否则没有人知道您想要什么输出是一个1 x输出数组，带有随机数，而不是“输出”样本上的高斯1D分布