我正在使用SkLearning对12个特征和1个输出进行多层感知器回归训练。StandardScalar()适合训练数据并应用于所有输入数据。经过一段时间的架构优化培训后，我得到了一个似乎相当准确的模型(误差小于10%)。我现在需要提取权重和偏差，以便在与人交互的系统上实时实现预测。这是通过对权重使用my_Model.coef_，对偏差使用my_Model.intercepts来完成的。权重根据我的模型中的节点数进行了适当的调整，而偏差对于每一层都有适当的长度。
现在的问题是，我在MatLab中实现了矩阵代数，得到的预测结果与my_Model.Forecast()产生的结果大相径庭。
我对2层MLP(第一层有11个节点，第二层有10个节点)的重建过程：

scale()             % elementwise subtract feature mean and divide by feature stdev
scaled_obs = scale(raw_obs)  
% Up to this point results from MatLab == Sklearn

weight1 = [12x11]   % weights to transition from the input layer to the first hidden layer
weight2 = [11x10]
weight3 = [10x1]
bias1 = [11x1]      % bias to add to the first layer after weight1 has been applied
bias2 = [10x1]
bias3 = [1x1]

my_prediction = ((( scaled_obs * w1 + b1') * w2  + b2') * w3  + b3);

我也试过了

my_prediction2 = ((( scaled_obs * w1 .* b1') * w2  .* b2') * w3  .* b3);   % because nothing worked...```

对于我的特定数据：

Sklearn prediction = 1.731
my_prediction = -50.347
my_prediction2 = -3.2075

在从我的_模型中提取相关参数时，我是否跳过了另一个权重/偏差？我在重建中的行动顺序有缺陷吗？