NN神经网络模型的网格搜索

在神经网络模型中使用网格搜索（Grid Search）是一种常用的方法用于确定最佳的超参数组合。面是一个使用网格搜索来优化神网络模型的示例代码：

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

# 定义参数网格
param_grid = {
    'hidden_layer_sizes': [(50,), (100,), (50, 50), (100, 100)],
    'activation': ['relu', 'tanh'],
    'solver': ['adam', 'sgd'],
    'alpha': [0.0001, 0.001, 0.01],
}

# 创建神经网络模型
model = MLPClassifier(max_iter=100)

# 使用网格搜索进行训练和验证
grid_search = GridSearchCV(model, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳参数组合和最佳得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上面的示例中，我们使用了`MLPClassifier`类来构建神经网络模型，并定义了一个参数网格`param_grid`，其中包含了各种超参数的可能取值。然后，我们使用`GridSearchCV`类进行网格搜索，指定了模型、参数网格和交叉验证的折数。通过调用`fit`方法，进行训练和验证，并输出最佳参数组合和最佳得分。

您可以根据自己的需求定义不同的参数网格，并根据具体的问题选择合适的评估指标进行网格搜索。请注意，网格搜索可能会消耗大量的计算资源和时间，特别是在参数组合较多的情况下。