怎么用代码查看MLPRegressor训练过程中超参数的变化

要查看MLPRegressor训练过程中超参数的变化，可以使用sklearn库中的GridSearchCV函数。GridSearchCV函数可以自动遍历所有超参数的组合，并输出每组超参数对应的模型性能指标，例如训练误差、验证误差等。下面是一段示例代码：

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

# 定义MLPRegressor模型
mlp = MLPRegressor()

# 定义超参数的搜索空间
param_grid = {
    'hidden_layer_sizes': [(10,), (50,), (100,)],
    'alpha': [0.0001, 0.001, 0.01],
    'learning_rate_init': [0.001, 0.01, 0.1]
}

# 定义GridSearchCV对象
grid_search = GridSearchCV(mlp, param_grid, cv=5, verbose=2)

# 训练GridSearchCV对象
grid_search.fit(X_train, y_train)

# 输出最佳超参数组合
print('Best parameters:', grid_search.best_params_)

# 输出训练误差和验证误差
print('Train score:', grid_search.score(X_train, y_train))
print('Test score:', grid_search.score(X_test, y_test))

# 输出所有超参数组合对应的训练误差和验证误差
for params, mean_score, std_score in zip(grid_search.cv_results_['params'], 
                                         grid_search.cv_results_['mean_test_score'], 
                                         grid_search.cv_results_['std_test_score']):
    print(params, ':', mean_score, '+/-', std_score)

在训练过程中，GridSearchCV函数会自动遍历所有超参数的组合，并输出每组超参数对应的模型性能指标。可以通过修改param_grid参数来指定不同的超参数搜索空间，以便于观察超参数对模型性能的影响。