Python scikit学习中MLPREGESSOR的超参数优化

我是使用python进行机器学习的新手，希望您能帮助我解决以下问题

我正在尝试对不同隐藏神经元编号（6个值）的列表运行MLPrePressor，对于每个选定的神经元编号，我希望训练数据被洗牌三次，即每个神经元编号三个分数。下面的代码工作正常，返回18分（6*3）。然而，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。我尝试过使用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洗牌3次）。有人能提出更好（更快）的解决方法吗

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)

代码返回一个分数列表。我怎样才能得到一个简单的数据帧，它有3行（对于每个洗牌）和6列（对于每个隐藏的神经元数）

提前感谢

试试这个

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

然后使用

---

谢谢你的回答。它解决了获取分数数据帧的问题。但是，您是否可以建议对代码本身进行任何改进以加快处理时间，例如使用GridSearchCV作为问题的解释？欢迎！如果我的答案解决了你的问题，请你投票并将其标记为正确答案：-）另外，我需要检查优化部分。你能提供数据让我在我的系统上复制吗？

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