怎么在MLP模型执行GridSearchCV网格搜索时输出不同超参数组合对应的loss图像

在MLP模型中使用GridSearchCV进行超参数调优时，可以使用`GridSearchCV`内置的`cv_results_`属性来获取每个超参数组合的训练结果，包括训练时间、训练得分、测试得分等。可以通过这些结果来绘制超参数组合对应的loss图像。下面是一个示例代码：

from sklearn.model_selection import GridSearchCV
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

# 定义模型
def create_model(activation='relu', neurons=1, hidden_layers=1, optimizer='adam', learn_rate=0.01, momentum=0):
    model = Sequential()
    for i in range(hidden_layers):
        model.add(Dense(neurons, input_dim=X_train.shape[1], activation=activation))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
    return model

# 定义超参数搜索空间
params = {
    'activation': ['relu', 'tanh', 'sigmoid'],
    'neurons': [16, 32, 64],
    'hidden_layers': [1, 2, 3],
    'optimizer': ['adam', 'sgd', 'rmsprop'],
    'learn_rate': [0.01, 0.001, 0.0001],
    'momentum': [0, 0.2, 0.4]
}

# 定义GridSearchCV对象
grid_search = GridSearchCV(estimator=create_model(), param_grid=params, cv=5, verbose=1)

# 执行超参数搜索
grid_result = grid_search.fit(X_train, y_train)

# 绘制超参数组合对应的loss图像
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, std, param in zip(means, stds, params):
    print("%f (%f) with: %r" % (mean, std, param))
    plt.errorbar(mean, std, fmt='o')
plt.xlabel('Accuracy')
plt.ylabel('Params')
plt.title('Grid Search Accuracy')
plt.show()

在上面的示例中，我们首先定义了一个MLP模型`create_model()`，然后定义了超参数搜索空间`params`，包括激活函数、神经元个数、隐藏层数、优化器、学习率和动量等。接着，我们创建了一个`GridSearchCV`对象`grid_search`，指定了模型、超参数搜索空间、交叉验证折数等参数。最后，我们执行超参数搜索，并使用`cv_results_`属性获取每个超参数组合的训练结果，包括平均得分和标准差等。通过循环遍历每个超参数组合，使用`plt.errorbar()`函数将平均得分和标准差绘制到图像上，以显示不同超参数组合对应的loss图像。