MLP网格搜索调参代码

MLP（多层感知机）是一种常用的人工神经网络模型，用于解决分类和回归问题。网格搜索调参是一种常用的调参方法，通过遍历给定的参数组合，找到最优的参数组合来优化模型性能。下面是一个简单的MLP网格搜索调参的代码示例：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 定义参数网格
param_grid = {
    'hidden_layer_sizes': [(50,), (100,), (50, 50), (100, 100)],
    'activation': ['relu', 'tanh'],
    'solver': ['sgd', 'adam'],
    'learning_rate': ['constant', 'adaptive']
}

# 创建MLP分类器
mlp = MLPClassifier()

# 创建网格搜索对象
grid_search = GridSearchCV(mlp, param_grid, cv=5)

# 在训练集上进行网格搜索调参
grid_search.fit(X, y)

# 输出最优参数组合和对应的模型性能
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上述代码中，首先加载了一个示例数据集（鸢尾花数据集），然后定义了一个参数网格，包含了MLP模型的不同参数组合。接着创建了一个MLP分类器对象和一个网格搜索对象，将MLP分类器和参数网格传入网格搜索对象中。最后，通过调用`fit`方法在训练集上进行网格搜索调参，并输出最优参数组合和对应的模型性能。