使用GridSearchCV为MLPRegressor调参问题

以下是使用GridSearchCV为MLPRegressor调参的示例代码：

from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_regression

# 生成回归数据集
X, y = make_regression(n_samples=100, random_state=0)

# 定义MLPRegressor模型
mlp = MLPRegressor(max_iter=100)

# 定义需要调整的参数范围
param_grid = {
    'hidden_layer_sizes': [(50,), (100,), (150,)],
    'activation': ['relu', 'tanh', 'logistic'],
    'solver': ['sgd', 'adam'],
    'alpha': [0.0001, 0.001, 0.01],
}

# 使用GridSearchCV进行参数调优
grid_search = GridSearchCV(mlp, param_grid=param_grid, cv=5, n_jobs=-1)
grid_search.fit(X, y)

# 输出最优参数和最优得分
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))

在上述代码中，我们首先导入了所需的模块和数据集。然后，我们定义了一个MLPRegressor模型，并指定了需要调整的参数范围。接下来，我们使用GridSearchCV进行参数调优，并输出最优参数和最优得分。