我正在尝试使用 Scikit learn 对 MLPRegressor 应用自动微调。阅读了一圈后，我决定使用 GridSearchCV 来选择最合适的超参数。在此之前，我应用了 MinMaxScaler 预处理。数据集是 105 个整数的列表（香槟月销量）。

问题是由于某种原因 GridSearchCV 没有运行（我认为至少是正确的）。当我打印模型使用的参数时，会出现一些超出 param_list 中定义的范围的值。

此外，我知道数据集对于 MLP 来说太小了，这个想法是现在对模型进行编程，然后在更大的数据集中使用它。虽然，最终的数据集不是很大，所以我会非常感谢听到任何想法来提高小数据集中模型的准确性！

谢谢！

代码：

from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import TimeSeriesSplit
from sklearn.model_selection import GridSearchCV
from matplotlib import pyplot
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error
import pandas as pd

dataset = pd.read_csv('champagne.csv', header=None)

scaler = MinMaxScaler()
scaled_dataset = scaler.fit_transform(dataset)

mlpr = MLPRegressor(max_iter=7000)

param_list = {"hidden_layer_sizes": [1,50], "activation": ["identity", "logistic", "tanh", "relu"], "solver": ["lbfgs", "sgd", "adam"], "alpha": [0.00005,0.0005]}
gridCV = GridSearchCV(estimator=mlpr, param_grid=param_list)

splits = TimeSeriesSplit(n_splits=3)

pyplot.figure(1)
index = 1

for train_index, test_index in splits.split(scaled_dataset):

    training_set = scaled_dataset[train_index]
    testing_set = scaled_dataset[test_index]

    train_index_array = train_index.reshape(-1,1)
    test_index_array = test_index.reshape(-1,1)

    gridCV.fit(train_index_array, training_set)
    predicted = gridCV.predict(test_index_array)
    parameters = mlpr.get_params()

    test_mse = mean_squared_error(testing_set, predicted)

    pyplot.subplot(310 + index)
    pyplot.plot(predicted)
    pyplot.plot([None for i in training_set] + [x for x in testing_set])
    index += 1

    train_index.flatten() 
    test_index.flatten()