# 定义参数字典和 MLPClassifier 模型 param_grid = { 'hidden_layer_sizes': [(10,), (50,), (100,)], 'activation': ['relu', 'tanh', 'logistic'],#激活函数 'alpha': [0.0001, 0.001, 0.01], }

这段代码定义了一个参数字典 `param_grid`，用于对 `MLPClassifier` 模型的超参数进行网格搜索（Grid Search）。具体来说，包含了三个超参数：

- `hidden_layer_sizes`：隐藏层的大小，以元组的形式表示，例如 (10,) 表示只有一层隐藏层，包含 10 个神经元。
- `activation`：激活函数的类型，包括 'relu'、'tanh' 和 'logistic' 三种。
- `alpha`：L2 正则化系数，用于控制模型的复杂度。

这些超参数的不同取值组合会被用于训练不同的神经网络模型，并根据交叉验证的结果选择最佳的一组超参数。例如，如果要对这些超参数进行网格搜索，可以这样写：

from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import GridSearchCV

model = MLPClassifier()

param_grid = {
    'hidden_layer_sizes': [(10,), (50,), (100,)],
    'activation': ['relu', 'tanh', 'logistic'],
    'alpha': [0.0001, 0.001, 0.01],
}

grid_search = GridSearchCV(model, param_grid, cv=5)
grid_search.fit(X_train, y_train)

print(f"Best parameters: {grid_search.best_params_}")
print(f"Best score: {grid_search.best_score_}")

其中 `GridSearchCV` 是一个用于进行网格搜索的工具，`cv=5` 表示使用 5 折交叉验证进行评估。在这个例子中，会训练 $3 \times 3 \times 3 = 27$ 种不同的神经网络模型，并选择最佳的一组超参数。