神经网络分类器代码无报错但print语句不输出求助

核心问题定位 #

你的代码无报错但无输出，核心原因是标签与特征的拆分逻辑错误，导致模型训练或评估环节出现隐性阻塞，而非单纯的网络结构复杂问题：

• 你先对原始特征和标签做了一次train_test_split，之后又单独对标签和编码后的标签做了第二次train_test_split，两次拆分的样本对应关系完全错位，训练时特征和标签不匹配，模型可能陷入无效训练甚至卡在fit环节无法结束。
• 重复的编码操作（先fit_transform所有标签，再transform拆分后的训练标签）冗余且进一步加剧了数据不匹配问题。

修正步骤 #

1. 统一数据拆分流程

先完成所有预处理（编码、标准化），再将特征与标签配对拆分，确保样本对应关系一致：

import pandas as pd
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import LabelEncoder

# 加载数据
data = pd.read_csv("Wpc50.dat", sep='\s+', header=None, dtype=float)
species = pd.read_csv("Names.txt", header=None, names=["species"])

# 标签编码：先统一编码所有物种标签
encoder = LabelEncoder()
species_encoded = encoder.fit_transform(species.values.ravel())
encoder.handle_unknown = 'ignore'

# 特征与标签配对拆分（仅做一次拆分）
data_train, data_test, species_train_encoded, species_test_encoded = train_test_split(
    data, species_encoded, test_size=0.25, random_state=0
)

# 特征标准化
scaler = StandardScaler()
data_train_normalized = scaler.fit_transform(data_train)
data_test_normalized = scaler.transform(data_test)

2. 调整神经网络配置并添加训练日志

• 先尝试简化网络结构，比如用单隐藏层降低训练复杂度
• 添加verbose=True参数，实时查看训练迭代过程，确认模型是否在收敛

# 创建并训练神经网络（简化结构+训练日志）
mlp = MLPClassifier(
    hidden_layer_sizes=(10,),  # 先尝试单隐藏层
    max_iter=2000,  # 适当增加迭代次数
    random_state=0,
    verbose=True  # 输出训练过程
)
mlp.fit(data_train_normalized, species_train_encoded)

# 评估并输出结果
score = mlp.score(data_test_normalized, species_test_encoded)
print("Accuracy:", score)

额外排查点 #

如果调整后仍无输出，检查以下内容：

• 确认Wpc50.dat和Names.txt文件路径正确，且样本量匹配（特征行数与标签行数一致）
• 查看终端是否有MLPClassifier的训练迭代日志，如果长时间无日志输出，可能是样本量过大导致训练缓慢，可尝试先取小批量数据测试

内容的提问来源于stack exchange，提问作者vitoria