网格搜索查找MLPClassifier的最优参数

网格搜索是一种常用的超参数优化技术，用于寻找机器学习模型（如MLPClassifier，即多层感知机分类器）的最佳参数组合。在这个过程中，我们会预先定义一组参数的候选值范围，然后通过遍历所有可能的参数组合来进行模型训练，并评估每个组合的结果。通常，Scikit-learn库提供了一个名为GridSearchCV的工具来进行这一操作。

例如，如果你想要优化MLPClassifier中的隐藏层数量、每层的神经元数量以及激活函数等参数，你可以这样做：

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

# 定义参数网格
param_grid = {
    'hidden_layer_sizes': [(100,), (200,), (300,)],  # 隐藏层大小
    'activation': ['relu', 'tanh'],  # 激活函数
    'solver': ['adam', 'sgd'],  # 解决器
}

# 创建MLPClassifier实例
mlp = MLPClassifier()

# 实例化GridSearchCV
grid_search = GridSearchCV(mlp, param_grid, cv=5, scoring='accuracy')  # 交叉验证次数和评分指标

# 使用训练数据进行网格搜索
grid_search.fit(X_train, y_train)

# 获取最佳参数组合
best_params = grid_search.best_params_

# 最佳模型
best_mlp = grid_search.best_estimator_

# 训练最终模型
best_mlp.fit(X_train, y_train)

# 打印最佳参数
print(f"Best parameters found: {best_params}")