时间戳

首页 > 解决方案 > scikit-learn 中 MLPRegressor 的超参数优化

python - scikit-learn 中 MLPRegressor 的超参数优化

问题描述

我在使用 python 进行机器学习方面非常陌生，希望对以下问题有任何帮助。

我正在尝试运行 MLPRegressor 以获取不同隐藏神经元编号（6 个值）的列表，并且对于每个选定的神经元编号，我希望将训练数据洗牌三次，即每个神经元编号的三个分数。以下代码工作正常并返回 18 个分数 (6*3)。但是我觉得这不是解决问题的有效方法，因为它运行了将近一个小时。我曾尝试使用 GridSearchCV()，但我不知道如何控制训练数据的洗牌（每个隐藏的神经元数 3 次）。任何人都可以提出更好（更快）的方法来解决这个问题吗？

from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import cross_val_score
from sklearn.utils import shuffle

n=3 # how many times to shuffle the training data
nhn_range=[8,10,12,14,16,18] # number of hidden neurons

nhn_scores = []
for nhn in nhn_range:
    mlp = MLPRegressor(hidden_layer_sizes=(nhn,), activation='tanh', 
                       solver='adam', shuffle=False, random_state=42, 
                       max_iter=20000, momentum=0.7, early_stopping=True, 
                       validation_fraction=0.15)
    for _ in range(n):
        df_train = shuffle(df_train)
        score = np.sqrt(-cross_val_score(mlp, df_train[feature_cols], 
                        df_train[response_cols], 
                        cv=5, scoring='neg_mean_squared_error')).mean()
        nhn_scores.append(score)

代码返回分数列表。我怎样才能得到一个简单的数据框，它有 3 行（每次洗牌）和 6 列（每个隐藏的神经元数）。

提前致谢

标签： pythonmachine-learningscikit-learn

解决方案

尝试这个

score_dict = {}
for nhn in nhn_range:
    mlp = MLPRegressor(hidden_layer_sizes=(nhn,), activation='tanh', 
                       solver='adam', shuffle=False, random_state=42, 
                       max_iter=20000, momentum=0.7, early_stopping=True, 
                       validation_fraction=0.15)


    nhn_scores = []
    for _ in range(n):

        df_train = shuffle(df_train)
        score = np.sqrt(-cross_val_score(mlp, df_train[feature_cols], 
                    df_train[response_cols], 
                    cv=5, scoring='neg_mean_squared_error')).mean()
        nhn_scores.append(score)
    score_dict[nhn] = nhn_scores

然后score_dict使用from_dict转换为这样的数据帧

import pandas as pd
score_df = pd.DataFrame.from_dict(score_dict)

推荐阅读