Python 如何在scikit学习MLPREGESSOR中设置历元数？

我正在尝试使用scikit学习MLPREGESSOR进行一些监督学习。我想知道在监督学习中，历元数的作用是什么

但当我这样设置MLP时：

mlp = MLPRegressor(max_iter=100, learning_rate_init=0.1)

然后这个：

mlp = MLPRegressor(max_iter=200, learning_rate_init=0.1)

mlp = MLPRegressor(max_iter=500, learning_rate_init=0.1)

然后这个：

mlp = MLPRegressor(max_iter=200, learning_rate_init=0.1)

mlp = MLPRegressor(max_iter=500, learning_rate_init=0.1)

预测分数保持不变。 我不知道使用max_iter设置历元数是否正确，因为尽管我更改了max_iter的数，但预测分数是恒定的。 但当我改变学习率时，分数也会改变，所以学习率会有一些杠杆作用

---

有人能帮忙吗？谢谢

使用

max\u iter

确实是限制纪元数量的正确方法。根据以下文件：

最大值：int，可选，默认值200 最大迭代次数。解算器迭代直到收敛（由“tol”确定）或此迭代次数。对于随机解算器（“sgd”、“adam”），请注意，这决定了历元的数量（每个数据点将使用多少次），而不是梯度步长的数量

注意，它们的实现还针对

tol

参数进行收敛检查，即，当两次迭代之间的成本变化小于

tol

时，学习将停止

tol

默认设置为0.0001（10e-4），这对于您的用例/培训数据来说可能或可能不太大

---

在你的例子中，似乎在100次迭代之前就达到了这个精度（

max_iter=100

）。

使用

max_iter

确实是限制纪元数量的正确方法。根据以下文件：

最大值：int，可选，默认值200 最大迭代次数。解算器迭代直到收敛（由“tol”确定）或此迭代次数。对于随机解算器（“sgd”、“adam”），请注意，这决定了历元的数量（每个数据点将使用多少次），而不是梯度步长的数量

注意，它们的实现还针对

tol

参数进行收敛检查，即，当两次迭代之间的成本变化小于

tol

时，学习将停止

tol

默认设置为0.0001（10e-4），这对于您的用例/培训数据来说可能或可能不太大

---

在您的例子中，似乎在100次迭代之前就达到了这个精度（

max_iter=100

）。

粗略地说，通过使优化器能够在训练集中搜索更长时间的最优解决方案，历元数起到了杠杆作用。但正如@fxx所述，如果两次迭代之间的成本变化不小于

tol

，MLPREGESSOR实现将停止记录次数。在您的情况下，您可以减少

tol

参数，以强制算法运行更长时间

---

此外，为了实现更好的性能，您还可以检查算法的

学习率。0.1可能有点太多，因此优化器可能会过度调整。
粗略地说，通过使优化器能够在训练集中搜索更长时间的最优解决方案，历元数起到了杠杆作用。但正如@fxx所述，如果两次迭代之间的成本变化不小于
tol
，MLPREGESSOR实现将停止记录次数。在您的情况下，您可以减少
tol
参数，以强制算法运行更长时间

此外，为了实现更好的性能，您还可以检查算法的
学习率。0.1可能有点太多，因此优化器可能会超调。
谢谢您提供的信息。在我的例子中，它甚至在10、20、30次迭代中都没有变化。它保持与100、500或1000次迭代相同感谢您提供的信息。在我的例子中，它甚至在10、20、30次迭代中都没有变化。它保持与100、500或1000次迭代相同