MLPclassifier，MLP 多层感知器的的缩写（Multi-layer Perceptron）

先看代码（sklearn的示例代码）：

1. from sklearn.neural_network import MLPClassifier
2. X = [[0., 0.], [1., 1.]]
3. y = [0, 1]
4. clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
5. hidden_layer_sizes=(5, 2), random_state=1)
6. clf.fit(X, y)
7. print 'predict\t',clf.predict([[2., 2.], [-1., -2.]])
8. print 'predict\t',clf.predict_proba([[2., 2.], [1., 2.]])
9. print 'clf.coefs_ contains the weight matrices that constitute the model parameters:\t',[coef.shape for coef in clf.coefs_]
10. print clf
11. c=0
12. for i in clf.coefs_:
13. c+=1
14. print c,len(i),i

说明：

MLPclassifier，MLP 多层感知器的的缩写（Multi-layer Perceptron）

fit(X,y) 与正常特征的输入输出相同

solver='lbfgs',  MLP的求解方法：L-BFGS 在小数据上表现较好，Adam 较为鲁棒，SGD在参数调整较优时会有最佳表现（分类效果与迭代次数）；
         SGD标识随机梯度下降。疑问：SGD与反向传播算法的关系
alpha:L2的参数：MLP是可以支持正则化的，默认为L2，具体参数需要调整
hidden_layer_sizes=(5, 2) hidden层2层,第一层5个神经元，第二层2个神经元)
      
计算的时间复杂度（非常高。。。。）：
Suppose there are n training samples, m features, k hidden layers, each
containing h neurons - for simplicity, and o output neurons. The time
complexity of backpropagation is O(n\cdot m \cdot h^k \cdot o \cdot i),
where i is the number of iterations. Since
backpropagation has a high time complexity, it is advisable to start
with smaller number of hidden neurons and few hidden layers for
training.
 涉及到的设置：隐藏层数量k，每层神经元数量h，迭代次数i。