多层感知器节点使用说明
多层感知器算法原理
多层感知器算法原理多层感知器（Multilayer Perceptron，MLP）是一种前馈结构的人工神经网络，可以对一组输入向量进行非线性映射，从而实现分类或回归等任务。
MLP由多个节点层组成，每一层都与上一层和下一层相连，每个节点都是一个带有非线性激活函数的神经元。
MLP 的学习过程主要依赖于反向传播算法，即通过计算输出误差对网络权重进行反向调整，从而达到最优化的目的。
网络结构MLP的网络结构一般包括三层或以上，分别是输入层、隐藏层和输出层。
输入层接收外部输入的数据，输出层产生网络的预测结果，隐藏层位于输入层和输出层之间，可以有多个，用于提取输入数据的特征。
每一层中的节点都与相邻层中的所有节点相连，每条连接都有一个权重，表示该连接的强度。
每个节点除了接收来自上一层的加权输入外，还有一个偏置项，表示该节点的阈值。
每个节点的输出由其输入和激活函数共同决定，激活函数的作用是引入非线性，增强网络的表达能力。
常用的激活函数有Sigmoid函数、双曲正切函数、ReLU函数等。
学习过程MLP的学习过程主要分为两个阶段，即前向传播和反向传播。
前向传播是指从输入层到输出层逐层计算节点的输出，反向传播是指从输出层到输入层逐层计算节点的误差，并根据误差对权重进行更新。
具体步骤如下：前向传播从输入层开始，将输入数据乘以相应的权重，加上偏置项，得到每个节点的输入。
对每个节点的输入应用激活函数，得到每个节点的输出。
将每个节点的输出作为下一层的输入，重复上述过程，直到达到输出层。
在输出层，根据预测结果和真实标签，计算损失函数，评估网络的性能。
反向传播从输出层开始，根据损失函数对每个节点的输出求导，得到每个节点的误差。
对每个节点的误差乘以激活函数的导数，得到每个节点的梯度。
将每个节点的梯度作为上一层的误差，重复上述过程，直到达到输入层。
在每一层，根据节点的梯度和输入，计算权重的梯度，并根据学习率对权重进行更新。
MLP的学习过程可以采用批量梯度下降、随机梯度下降或小批量梯度下降等优化方法，也可以使用动量、自适应学习率或正则化等技术来提高收敛速度和泛化能力。
mlp使用方法
mlp使用方法MLP使用方法多层感知机（Multilayer Perceptron，简称MLP）是一种常用的人工神经网络模型，被广泛应用于各个领域，如图像识别、语音识别、自然语言处理等。
本文将介绍MLP的使用方法，帮助读者了解如何使用MLP进行模型训练和预测。
MLP的基本原理是通过多个神经元构成的多层网络来模拟人脑的神经元连接方式。
它由输入层、隐藏层和输出层组成，其中隐藏层可以有多层。
每个神经元都有一个激活函数，用于将输入信号转化为输出信号。
MLP的训练过程主要包括权重初始化、前向传播、误差计算、反向传播和权重更新等步骤。
我们需要准备训练数据和测试数据。
训练数据包括一组输入和对应的输出，用于训练MLP模型。
测试数据用于评估训练好的模型在新数据上的预测效果。
接下来，我们需要定义MLP的结构。
可以通过指定输入层、隐藏层和输出层的神经元数量来构建MLP模型。
隐藏层的神经元数量通常根据问题的复杂程度和数据集的大小来确定。
同时，我们还需要选择适当的激活函数和损失函数。
在定义好MLP的结构后，我们可以进行模型的训练。
首先，需要对权重进行初始化，可以采用随机初始化的方式。
然后，通过前向传播将输入信号从输入层传递到输出层，并使用损失函数计算预测结果与真实结果之间的误差。
接着，通过反向传播将误差从输出层传递回输入层，更新权重以减小误差。
这个过程可以反复进行多次，直到模型收敛或达到预设的训练轮数。
在模型训练完成后，我们可以使用训练好的模型对新数据进行预测。
通过将输入信号传递到MLP模型中，即可获取输出结果。
预测结果可以根据具体问题进行解读和应用。
除了基本的MLP模型，还有一些改进的方法可以提升模型的性能。
例如，可以使用正则化技术来减小过拟合风险，如L1正则化和L2正则化。
此外，还可以采用批量归一化（Batch Normalization）技术来加速收敛和提高模型的泛化能力。
总结起来，MLP是一种常用的人工神经网络模型，通过多层神经元的连接和激活函数的作用，实现对复杂问题的建模和预测。
无线传感器网络中节点定位算法的使用教程
无线传感器网络中节点定位算法的使用教程无线传感器网络（Wireless Sensor Networks，WSNs）是由许多分布在特定区域内的无线传感器节点组成的网络系统。
节点的定位是WSNs中的一个重要问题，准确的节点定位可以帮助我们更好地理解和控制环境。
本文将为您介绍几种常见的无线传感器网络节点定位算法，并提供相应的使用教程。
一、距离测量节点定位算法距离测量是节点定位的一种常见方法，通过测量节点之间的距离来确定节点的位置。
常用的距离测量节点定位算法包括三角定位法和多边形定位法。
1. 三角定位法三角定位法基于三角形的边长和角度来计算节点的位置。
首先，选择三个已知位置的节点作为参考节点，测量参考节点间的距离和角度。
然后，通过计算未知节点相对于参考节点的距离和角度，使用三角学原理计算未知节点的位置。
使用教程：在使用三角定位法时，需要提前部署一些已知位置的节点作为参考节点。
首先，通过测量参考节点间的距离和角度，计算出它们的位置信息。
然后，在需要定位的节点周围布置足够多的参考节点，测量它们与参考节点之间的距离和角度。
最后，通过三角定位算法计算出目标节点的位置。
2. 多边形定位法多边形定位法利用几何多边形的边长和角度来计算节点的位置。
首先，选择若干个已知位置的节点作为多边形的顶点。
然后，测量各个顶点之间的距离和角度，并计算出多边形的边长和角度。
最后，通过多边形定位算法计算出未知节点相对于多边形的位置，从而确定未知节点的位置。
使用教程：使用多边形定位法时，首先选择若干个已知位置的节点作为多边形的顶点。
然后，测量各个顶点之间的距离和角度，计算出多边形的边长和角度。
最后，在需要定位的节点周围布置足够多的参考节点，测量它们与多边形顶点之间的距离和角度。
通过多边形定位算法，计算出目标节点相对于多边形的位置，最终确定目标节点的位置。
二、信号强度测量节点定位算法信号强度测量是利用节点之间的信号强度来进行定位的方法，常用的信号强度测量节点定位算法有收集定位法和概率定位法。
多层感知器网络
y(l ) j
j (v j (n))
如果神经元j是第一隐藏层，即l=1，置
y(0) j
(n)
xj
(n)
这里 xj (n)是输入向量X(n)的第j个元素。如果 神经元j在输出层，令
y(L) j
oj
(n)
计算误差信号
ej (n) d j (n) oj (n)
④、反向计算。
计算网络的局域梯度，定义为
这样做是因为设计受到感知器的学习 算法的限制，对于多层网络，当然有更 好的学习算法，比如BP网络学习算法。
1.在学习率知识点中提到的动量常数 在整个计 算中扮演什么样的角色？
2.假设隐藏层神经元个数一定，那么隐藏层的层数 取不同的值时，对于多层感知器的计算能力的影响是 怎样的？
3.动量和学习率参数随着训练迭代次数的增加而调 整（通常是减少的），为什么?
以图2所示两层感知器网络来实现， 其中隐层为随机感知器层（net1），神 经元数目设计为3，其权值和阈值是随机 的，它的输出作为输出层（分类层）的 输入；输出层为感知器层（net2），其 神经元数为1，这里仅对该层进行训练。
图4 例子中的两层感知器神经网络模型
（3）多层感知器神经网络的MATLAB程序实现
(l )
e(j L
)
(
n
)
' j
( v(j L
)
(
n
)),对输出层L的神经元j Nhomakorabean) j
' j
(
v(jl
)
(
n
))
k(l1) (n)k(jl1) (n)，对隐藏层l的神经元j
k
人工智能–多层感知器基础知识解读
人工智能–多层感知器基础知识解读今天我们重点探讨一下多层感知器MLP。
感知器（Perceptron）是ANN人工神经网络的一个概念，由Frank Rosenblatt于1950s第一次引入。
单层感知器（Single Layer Perceptron）是最简单的ANN人工神经网络。
它包含输入层和输出层，而输入层和输出层是直接相连的。
单层感知器仅能处理线性问题，不能处理非线性问题。
今天想要跟大家探讨的是MLP多层感知器。
MLP多层感知器是一种前向结构的ANN人工神经网络，多层感知器（MLP）能够处理非线性可分离的问题。
MLP概念：MLP多层感知器（MulTI－layerPerceptron）是一种前向结构的人工神经网络ANN，映射一组输入向量到一组输出向量。
MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。
除了输入节点，每个节点都是一个带有非线性激活函数的神经元。
使用BP反向传播算法的监督学习方法来训练MLP。
MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。
相对于单层感知器，MLP多层感知器输出端从一个变到了多个；输入端和输出端之间也不光只有一层，现在又两层：输出层和隐藏层。
基于反向传播学习的是典型的前馈网络，其信息处理方向从输入层到各隐层再到输出层，逐层进行。
隐层实现对输入空间的非线性映射，输出层实现线性分类，非线性映射方式和线性判别函数可以同时学习。
MLP激活函数MLP可使用任何形式的激活函数，譬如阶梯函数或逻辑乙形函数（logisTIc sigmoid funcTIon），但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。
由于具有良好可微性，很多乙形函数，尤其是双曲正切函数（Hyperbolictangent）及逻辑乙形函数，被采用为激活函数。
多层感知器
h=j的留下
误差反传
n3 k 1
于是 所以
Eq s (2) j
Eq x (2) j x (j2) s (j 2)
(3) (3) f ' ( s (2) j ) k wkj
j(2)
(2) w(2) ji
Eq w(2) ji
(2)
Eq s (2) j
x )
7
(1)
y x (3) f ( s(3) ) f (W (3) x (2) )
2. BP算法
1）算法推导
第q个样本加在网络上，定义性能指标
n3 d q : 期望输出 1 1 T 2 Eq (d q yq ) (d q yq ) (dqj yqj ) 2 2 j 1 yq : 网络输出
n1 iwp b1
n 2 lwa1 b 2
a1 f (n1) tan sig (n1) a 2 f (n 2) purelin(n 2)
a tan sig (n)
a purelin(n)
a log sig (n)
15
① 构建函数： net=newff (a, b, c, d ) a： R 2 维矩阵， 由R维输入样本的最大最小值组成； b： 隐层、输出层节点个数； c： 各层节点作用函数； d： 训练用函数，若BP算法为：Traingd。 构建的BP神经网络权值、阈值均为随机数。 ② 设置权值、阈值函数为常值及随机数函数： 常值 net.iw{1,1} net.b{1} net.lw{2,1} net.b{2} 随机数 w=net.inputweights{1,1}.initFcn=‘rands’ b=net.biases{1}.initFcn=‘rands’ ③ 网络仿真函数： y=sim(net,u)
多层感知器AI技术中的多层感知器结构与模式识别
多层感知器AI技术中的多层感知器结构与模式识别多层感知器（Multi-Layer Perceptron, MLP）技术是人工智能（Artificial Intelligence, AI）领域中非常重要的一种技术。
它是一种前向人工神经网络，通过多个神经元层次的连接来模拟人脑中的神经元网络，并用于实现模式识别。
本文将介绍多层感知器的结构以及在模式识别中的应用。
一、多层感知器的结构多层感知器是由多个神经元层次组成的人工神经网络。
典型的多层感知器包括输入层、隐藏层和输出层。
1. 输入层输入层接收来自外部的数据输入，并将其传递到隐藏层。
输入层通常是根据具体问题设定的，可以是一组数字、图像或者其他形式的数据。
2. 隐藏层隐藏层是多层感知器中的核心部分。
它由多个神经元（节点）组成，每个神经元都与前一层的所有神经元相连。
隐藏层的层数以及每层的神经元数量都是可以调整的。
隐藏层通过对输入数据的加权求和和激活函数的作用，将处理后的数据输出到下一层。
3. 输出层输出层接收隐藏层的输出，并生成最终的输出结果。
输出层通常根据具体问题需要选择不同的激活函数，比如用于二分类问题的Sigmoid 函数或者用于多分类问题的Softmax函数。
二、多层感知器在模式识别中的应用多层感知器在模式识别领域有广泛的应用。
以下列举几个常见的应用场景。
1. 图像识别多层感知器可以用于图像识别任务，比如人脸识别、车牌识别等。
通过将图像数据输入到多层感知器中，隐藏层的神经元可以学习到图像的特征，输出层可以输出对应的分类结果。
2. 文本分类多层感知器可以用于文本分类任务，比如垃圾邮件过滤、情感分析等。
将文本数据表示成向量形式，输入到多层感知器中进行分类，可以实现对文本的自动分类。
3. 语音识别多层感知器可以用于语音识别任务，比如语音指令识别、语音转文字等。
将语音信号转换为频谱图或其他形式的特征表示，并输入到多层感知器进行识别，可以实现对语音的自动识别。
多层感知器--MLP神经网络算法
多层感知器--MLP神经⽹络算法提到⼈⼯智能(Artificial Intelligence,AI),⼤家都不会陌⽣,在现今⾏业领起风潮,各⾏各业⽆不趋之若鹜,作为技术使⽤者,到底什么是AI,我们要有⾃⼰的理解.⽬前,在⼈⼯智能中,⽆可争议的是深度学习占据了统治地位,,其在图像识别,语⾳识别,⾃然语⾔处理,⽆⼈驾驶领域应⽤⼴泛.如此,我们要如何使⽤这门技术呢?下⾯我们来⼀起了解"多层感知器",即MLP算法,泛称为神经⽹络.神经⽹络顾名思义,就像我们⼈脑中的神经元⼀样,为了让机器来模拟⼈脑,我们在算法中设置⼀个个节点,在训练模型时,输⼊的特征与预测的结果⽤节点来表⽰,系数w(⼜称为"权重")⽤来连接节点,神经⽹络模型的学习就是⼀个调整权重的过程,训练模型⼀步步达到我们想要的效果.理解了原理,下⾯来上代码直观看⼀下:1.神经⽹络中的⾮线性矫正每个输⼊数据与输出数据之间都有⼀个或多个隐藏层,每个隐藏层包含多个隐藏单元.在输⼊数据和隐藏单元之间或隐藏单元和输出数据之间都有⼀个系数(权重).计算⼀系列的加权求和和计算单⼀的加权求和和普通的线性模型差不多.线性模型的⼀般公式:y = w[0]▪x[0]+w[1]▪x[1] + ▪▪▪ + w[p]▪x[p] + b为了使得模型⽐普通线性模型更强⼤,所以我们要进⾏⼀些处理,即⾮线性矫正(rectifying nonlinearity),简称为(rectified linear unit,relu).或是进⾏双曲正切处理(tangens hyperbolicus,tanh)############################# 神经⽹络中的⾮线性矫正 ########################################导⼊numpyimport numpy as np#导⼊画图⼯具import matplotlib.pyplot as plt#导⼊numpyimport numpy as py#导⼊画图⼯具import matplotlib.pyplot as plt#⽣成⼀个等差数列line = np.linspace(-5,5,200)#画出⾮线性矫正的图形表⽰plt.plot(line,np.tanh(line),label='tanh')plt.plot(line,np.maximum(line,0),label='relu')#设置图注位置plt.legend(loc='best')#设置横纵轴标题plt.xlabel('x')plt.ylabel('relu(x) and tanh(x)')#显⽰图形plt.show()tanh函数吧特征X的值压缩进-1到1的区间内,-1代表的是X中较⼩的数值,⽽1代表X中较⼤的数值.relu函数把⼩于0的X值全部去掉,⽤0来代替2.神经⽹络的参数设置#导⼊MLP神经⽹络from sklearn.neural_network import MLPClassifier#导⼊红酒数据集from sklearn.datasets import load_wine#导⼊数据集拆分⼯具from sklearn.model_selection import train_test_splitwine = load_wine()X = wine.data[:,:2]y = wine.target#下⾯我们拆分数据集X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=0)#接下来定义分类器mlp = MLPClassifier(solver='lbfgs')mlp.fit(X_train,y_train)MLPClassifier(activation='relu', alpha=0.0001, batch_size='auto', beta_1=0.9,beta_2=0.999, early_stopping=False, epsilon=1e-08,hidden_layer_sizes=(100,), learning_rate='constant',learning_rate_init=0.001, max_iter=200, momentum=0.9,n_iter_no_change=10, nesterovs_momentum=True, power_t=0.5,random_state=None, shuffle=True, solver='lbfgs', tol=0.0001,validation_fraction=0.1, verbose=False, warm_start=False)identity对样本特征不做处理,返回值是f(x) = xlogistic返回的结果会是f(x)=1/[1 + exp(-x)],其和tanh类似,但是经过处理后的特征值会在0和1之间#导⼊画图⼯具import matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormap#定义图像中分区的颜⾊和散点的颜⾊cmap_light = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])cmap_bold = ListedColormap(['#FF0000','#00FF00','#0000FF'])#分别⽤样本的两个特征值创建图像和横轴和纵轴x_min,x_max = X_train[:, 0].min() - 1,X_train[:, 0].max() + 1y_min,y_max = X_train[:, 1].min() - 1,X_train[:, 1].max() + 1xx,yy = np.meshgrid(np.arange(x_min,x_max, .02),np.arange(y_min,y_max, .02))Z = mlp.predict(np.c_[xx.ravel(),yy.ravel()])#给每个分类中的样本分配不同的颜⾊Z = Z.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z, cmap=cmap_light)#⽤散点图把样本表⽰出来plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())plt.ylim(yy.min(),yy.max())plt.title("MLPClassifier:solver=lbfgs")plt.show()(1)设置隐藏层中节点数为10#设置隐藏层中节点数为10mlp_20 = MLPClassifier(solver='lbfgs',hidden_layer_sizes=[10])mlp_20.fit(X_train,y_train)Z1 = mlp_20.predict(np.c_[xx.ravel(),yy.ravel()])#给每个分类中的样本分配不同的颜⾊Z1 = Z1.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z1, cmap=cmap_light)#⽤散点图把样本表⽰出来plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())plt.ylim(yy.min(),yy.max())plt.title("MLPClassifier:nodes=10")plt.show()(2)设置神经⽹络有两个节点数为10的隐藏层#设置神经⽹络2个节点数为10的隐藏层mlp_2L = MLPClassifier(solver='lbfgs',hidden_layer_sizes=[10,10])mlp_2L.fit(X_train,y_train)ZL = mlp_2L.predict(np.c_[xx.ravel(),yy.ravel()])#给每个分类中的样本分配不同的颜⾊ZL = ZL.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, ZL, cmap=cmap_light)#⽤散点图把样本表⽰出来plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())plt.ylim(yy.min(),yy.max())plt.title("MLPClassifier:2layers")plt.show()(3)设置激活函数为tanh#设置激活函数为tanhmlp_tanh = MLPClassifier(solver='lbfgs',hidden_layer_sizes=[10,10],activation='tanh')mlp_tanh.fit(X_train,y_train)Z2 = mlp_tanh.predict(np.c_[xx.ravel(),yy.ravel()])#给每个分类中的样本分配不同的颜⾊Z2 = Z2.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z2, cmap=cmap_light)#⽤散点图把样本表⽰出来plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())plt.ylim(yy.min(),yy.max())plt.title("MLPClassifier:2layers with tanh")plt.show()(4)修改模型的alpha参数#修改模型的alpha参数mlp_alpha = MLPClassifier(solver='lbfgs',hidden_layer_sizes=[10,10],activation='tanh',alpha=1)mlp_alpha.fit(X_train,y_train)Z3 = mlp_alpha.predict(np.c_[xx.ravel(),yy.ravel()])#给每个分类中的样本分配不同的颜⾊Z3 = Z3.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z3, cmap=cmap_light)#⽤散点图把样本表⽰出来plt.scatter(X[:, 0],X[:, 1],c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())plt.ylim(yy.min(),yy.max())plt.title("MLPClassifier:alpha=1")plt.show()总结: 如此,我们有4种⽅法可以调节模型的复杂程度: 第⼀种,调整神经⽹络每⼀个隐藏层上的节点数 第⼆种,调节神经⽹络隐藏层的层数 第三种,调节activation的⽅式 第四种,通过调整alpha值来改变模型正则化的过程 对于特征类型⽐较单⼀的数据集来说,神经⽹络的表现还是不错的,但是如果数据集中的特征类型差异⽐较⼤的话,随机森林或梯度上升随机决策树等基于决策树的算法的表现会更好⼀点. 神经⽹络模型中的参数调节⾄关重要,尤其是隐藏层的数量和隐藏层中的节点数. 这⾥给出⼀个参考原则:神经⽹络中的隐藏层的节点数约等于训练数据集的特征数量,但⼀般不超过500. 如果想对庞⼤复杂⾼维的数据集做处理与分析,建议往深度学习发展,这⾥介绍两个流⾏的python深度学习库:keras,tensor-flow⽂章引⾃ : 《深⼊浅出python机器学习》。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录
1. 节点设置参数页面 (1)
1.1最大迭代次数 (2)
1.2隐藏层个数 (2)
1.3隐藏层神经元个数 (2)
1.4随机种子 (3)
1.5忽略空值 (3)
2. 节点使用过程 (3)
3. 注意事项 (4)
多层感知器节点使用说明
作者：王方舟多层感知器节点是Data Studio建模节点分类中的一个分类算法节点，该节点实现的算法是Rprop（后向传播的前馈神经网络），通过学习节点训练出神经网络模型来进行预测测试集数据的分类情况。
该算法通过指定目标变量、参与变量并设置算法的相关的模型参数：最大迭代次数、隐藏层个数、隐藏层神经元个数、随机种子、是否忽略空值等。
1.节点设置参数页面
多层感知器节点设置界面如图1所示。
图表 1 多层感知器模型设置界面
各模型参数意义将分小节介绍。
1.1最大迭代次数
最大迭代次数是指算法在未收敛之前（神经元输入输出、权重保持不变），最多迭代计算的次数，通常在10万个周期之内，算法会收敛，此节点默认值为100。
1.2隐藏层个数
隐藏层个数用来规定神经网络隐藏层的层数，默认为1层。
1.3隐藏层神经元个数
隐藏层神经元为每层隐藏层内，所包含的神经元个数，当隐藏
层神经元增多时将增高算法的执行代价，但足够多的神经元可以逼近任何函数。
1.4随机种子
随机种子是用来在算法执行开始时随机每个神经元连线的权值和偏差的，当使用同样的种子来产生随机值时，每次算法的权值和偏差都将相同。
1.5忽略空值
勾选此选项时，输入数据中的MissingCell行将被忽略。
2.节点使用过程
多层感知器节点在连接数据以后打开设置界面，选择参与变量和目标变量并设置算法参数，点击确定保存设置，点击执行即可执行多层感知器算法生成神经网络模型，点击右键可预览算法执行过程中的误差图。
执行后果将在模型视图内生成多层感知器预测节点，该节点将使用神经网络进行样本分类预测，将其拖入到工作区，连接测试样本数据，选择输出数据表是否添加输出神经元的输出值，或者只显示预测结果列。
点击执行后，右键查看数据可获得预测结果。
3.注意事项
1.当迭代次数设置较小时，算法无法在迭代次数内收敛，因此输
出神经元的输出结果不为1或0，而是介于0-1之间的数值；
2.通过调整隐藏层个数、隐藏层神经元个数可以获得预测结果更
准确的模型。