使用“动物种类划分”案例数据，预测动物的种类。
多层感知机的参数如下：
参数名称 | 值 | 说明 |
|---|---|---|
归一化 | 正则化 | 详情请参考 归一化 介绍说明。 |
标准化 | ||
最小最大值归一化 | ||
最大绝对值归一化 | ||
最大迭代数 | 参数范围为：>=0的整数，默认值为10 | 算法的最大迭代次数，达到最大迭代次数即退出。 最大迭代次数的值越大，模型训练更充分，但会耗费更多时间。 |
感知机的隐藏层节点数量 | 每层神经元的数量 | 多层感知机隐藏层的层数及对应每一层的神经元的个数。 以英文逗号分隔，数字个数代表多层感知机的隐藏层层数，每个数字的值代表多层感知机每层的神经元个数。 |
收敛阈值 | 参数范围为：>=0的数，默认值为 ：0.000001 | 收敛误差值，当损失函数取值优化到小于收敛阈值时停止迭代。 |
优化算法 |
| 解决函数最优化问题时使用的算法。 |
步长 | 仅在优化算法使用“gd”时生效 | 梯度下降法的收敛步长，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。较小的步长意味需要更多的迭代次数。 步长决定了参数移动到最优值的速度快慢。如果步长过大，很可能会越过最优值；反而如果步长过小，优化的效率可能过低，长时间算法无法收敛。 |
随机种子 | 任意整数，默认值为：1 | 随机初始化权重时的随机种子，随机种子设置为固定值时，每次结果是稳定的。 |
分类阈值 | 参数范围为：[0,1]。默认值为：0.5 | 在分类中设置分类阈值thresholds。 如果模型预测结果为分类标签1的估计概率>thresholds，则预测为1，否则为0。高阈值是鼓励模型更频繁地预测0，反之则预测为1。 多分类请用英文逗号隔开,且数量与分类数相同，例如：分三类，示例：8,9,10 |
