调整 MLPRegressor 超参数

我一直在尝试调整 MLP 模型的超参数来解决回归问题，但总是收到收敛警告。

这是我的代码

def mlp_model(X, Y):

estimator=MLPRegressor()


param_grid = {'hidden_layer_sizes': [(50,50,50), (50,100,50), (100,1)],
          'activation': ['relu','tanh','logistic'],
          'alpha': [0.0001, 0.05],
          'learning_rate': ['constant','adaptive'],
          'solver': ['adam']}

gsc = GridSearchCV(
    estimator,
    param_grid,
    cv=5, scoring='neg_mean_squared_error', verbose=0, n_jobs=-1)

grid_result = gsc.fit(X, Y)


best_params = grid_result.best_params_

best_mlp = MLPRegressor(hidden_layer_sizes = best_params["hidden_layer_sizes"], 
                        activation =best_params["activation"],
                        solver=best_params["solver"],
                        max_iter= 5000, n_iter_no_change = 200
              )

scoring = {
           'abs_error': 'neg_mean_absolute_error',
           'squared_error': 'neg_mean_squared_error',
           'r2':'r2'}

scores = cross_validate(best_mlp, X, Y, cv=10, scoring=scoring, return_train_score=True, return_estimator = True)
return scores

我收到的警告是

ConvergenceWarning: Stochastic Optimizer: Maximum iterations (5000) reached and the optimization hasn't converged yet.% self.max_iter, ConvergenceWarning)

我的数据集中有 87 个特征和 1384 行，全部都是数字，并且已使用 MinMaxScaler 进行缩放。 如果您能指导我调整超参数，我将不胜感激。

那么，您可以尝试三种选择，one很明显你增加了max_iter从 5000 到更高的数字，因为您的模型没有在 5000 epoch 内收敛，secondly，尝试使用batch_size，由于您有 1384 个训练示例，因此您可以使用 16,32 或 64 的批量大小，这有助于在 5000 次迭代内收敛模型，并且lastly，你总是可以增加learning_rate_init到一个稍高的值，因为学习率似乎很低，因为即使在 5000 次迭代之后，你的模型也没有收敛。希望这可以帮助