Deep learning 多层感知器分类器属性

我正在使用scikit learn on MNIST数据集中的多层感知器分类器训练一个神经网络，专门对数据集中的数字0、1和7进行分类

下面是代码片段：

在这里，我们如何决定为隐藏层大小和最大iter分配什么值

我试着用损失函数来看看我的模型是如何学习的。请参阅下文：

看看上面的情节，我应该推断和理解什么，我的模型是如何学习的

然后，我将得出一份学习绩效评估的分类报告：

  from sklearn.metrics import classification_report
  report = classification_report(y_test, y_pred)
  print(report)

需要从上述分类报告中了解什么，以及数字0、1和7在上述报告中是如何分类的

谢谢

   import matplotlib.pyplot as plt
   plt.plot(mlp.loss_curve_)
   plt.xlabel('Number of epochs')
   plt.ylabel('loss')
   plt.title('The loss curve for our mlp classifier')
   None

  from sklearn.metrics import classification_report
  report = classification_report(y_test, y_pred)
  print(report)

          precision    recall  f1-score   support

       0       1.00      1.00      1.00        59
       1       1.00      1.00      1.00        60
       7       1.00      1.00      1.00        59

accuracy                           1.00       178    macro avg       1.00      1.00      1.00       178 weighted avg       1.00      1.00      1.00       178