ニューラルネットワークのサンプルコード教えて
ニューラルネットワーク（Neural Network）をScikit-learnを使用して実装することはできますが、Scikit-learnは比較的シンプルなニューラルネットワークモデルを提供しており、より高度なニューラルネットワークを構築するためのライブラリとしては一般的にはTensorFlowやPyTorchがより適しています。以下に、Scikit-learnを使用して単純な多層パーセプトロン（MLP）を実装するサンプルコードを示します。
python
from sklearn.neural_network import MLPClassifier from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # Irisデータセットをロード iris = load_iris() X = iris.data y = iris.target # データをトレーニングセットとテストセットに分割 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 多層パーセプトロン（MLP）モデルを作成 # 隠れ層の数やユニット数などのハイパーパラメータは調整できます mlp_model = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42) # モデルをトレーニング mlp_model.fit(X_train, y_train) # テストデータで予測 y_pred = mlp_model.predict(X_test) # モデルの性能を評価 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy}")
このコードでは、Scikit-learnのMLPClassifierを使用して多層パーセプトロン（MLP）モデルをトレーニングしています。モデルのハイパーパラメータ（隠れ層の数、ユニット数、最大イテレーション数など）は、タスクに合わせて調整できます。
ただし、本格的なニューラルネットワークを設計しトレーニングする場合、TensorFlowやPyTorchなどのディープラーニングライブラリがより適しています。これらのライブラリは、カスタマイズ可能なニューラルネットワークアーキテクチャをサポートし、より高度なニューラルネットワークモデルを構築できます。