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Python MLPREGESSOR(scikit)的回归问题,python,scikit-learn,neural-network,Python,Scikit Learn,Neural Network,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
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