MLPRegressor使用RandomizedSearchCV 参数调优代码

以下是使用RandomizedSearchCV进行参数调优的MLPRegressor代码示例：

from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint as sp_randint

# 定义MLPRegressor模型
mlp = MLPRegressor()

# 定义要调优的参数范围
param_dist = {
    'hidden_layer_sizes': sp_randint(1, 100),
    'activation': ['identity', 'logistic', 'tanh', 'relu'],
    'solver': ['lbfgs', 'sgd', 'adam'],
    'alpha': [0.0001, 0.001, 0.01, 0.1],
    'learning_rate': ['constant', 'invscaling', 'adaptive']
}

# 使用RandomizedSearchCV进行参数调优
random_search = RandomizedSearchCV(
    mlp, param_distributions=param_dist, n_iter=10, cv=5, random_state=42)

# 加载数据集
X, y = load_data()

# 进行模型训练和参数调优
random_search.fit(X, y)

# 输出最佳参数和最佳得分
print("Best parameters: ", random_search.best_params_)
print("Best score: ", random_search.best_score_)

在上述代码中，我们首先定义了MLPRegressor模型，并定义了要调优的参数范围。然后，我们使用RandomizedSearchCV进行参数调优，指定了要迭代的次数、交叉验证的折数和随机种子。接着，我们加载了数据集，并使用fit()方法进行模型训练和参数调优。最后，我们输出了最佳参数和最佳得分