Python 如何调整MLPrepressor？

我目前有一个包含变量和观察值的数据集。我想预测一个变量（需求），它是一个连续变量，因此我需要使用回归模型。我尝试了

线性回归

，并使用

R2

指标对其进行评估，该指标约为

0.85

。我想用其他型号来评估它的性能，其中之一就是

NNs

。我相信神经网络更适合其他任务，比如分类，不过我想尝试一下

我决定使用

scikit-learn

主要是因为它提供了两种模型（线性回归和多层感知器），问题是

R2

度量与线性回归的度量相比太远、太差。因此，我得出结论，我缺少许多重要的配置。下面你可以看到我的代码和数据是如何来的

我的数据有以下列，只有

需求

（这是我的标签），

人口

，

gdp

，

日

和

年

是数字连续的，其余是分类的

['demand','holy','gdp','population', 'day','year', 'f0', 'f1', 'f2', 'f3', 'f4','f5', 'f6', 'f7', 'f8', 'f9', 'f10', 'f11', 'f12', 'f13', 'f14', 'f15', 'f16', 'f17', 'f18', 'f19', 'f20', 'f21', 'f22', 'f23', 'g0', 'g1', 'g2', 'g3', 'g4', 'g5', 'g6', 'g7', 'g8', 'g9', 'g10', 'g11']

这就是我实际做的，我删除了一些输出

import pandas as pd
import numpy as np
import math as math

from sklearn.linear_model import LinearRegression
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import r2_score



training_data, validation_data = np.split(data.sample(frac=1), [int(.8*len(data))])

linear_model = LinearRegression().fit(training_data[[c for c in data.columns if c != "demand"]], training_data[["demand"]])

validation_data_predictions = linear_model.predict(validation_data[[c for c in training_data.columns if c != "demand"]])

validation_predictions_pd = pd.DataFrame(data=validation_data_predictions, 
                                         index=validation_data.index.values,
                                         columns=["prediction"])

# join both pandas
result_df = validation_data.join(validation_predictions_pd, how="inner")

r2_error = r2_score(y_true=result_df[["demand"]], y_pred=result_df[["prediction"]], multioutput="uniform_average")

print(r2_error) # outputs 0.85


# NN section
clf = MLPRegressor(hidden_layer_sizes=(10,), max_iter=100000)

neural_model = clf.fit(training_data[[c for c in training_data.columns if c != "demand"]], training_data[["demand"]])

validation_data_predictions = neural_model.predict(validation_data[[c for c in training_data.columns if c != "demand"]])

validation_predictions_pd = pd.DataFrame(data=validation_data_predictions, 
                                     index=validation_data.index.values,
                                     columns=["prediction"])

result_df = validation_data.join(validation_predictions_pd, how="inner")

r2_error = r2_score(y_true=result_df[["demand"]], y_pred=result_df[["prediction"]], multioutput="uniform_average")
print(r2_error) # outputs 0.23

---

因此，正如您所看到的，NN的性能非常差。我认为它的性能可以提高，有什么提示吗？

也许不是因为NN的性能不好，也许你只是使用了错误的度量来比较它们。通常，信任R2分数来评估具有许多回归器的线性回归模型不是一个好主意：事实上，在模型中放入的回归器越多，R平方（）越高

不管怎么说，我认为这个问题更适合我

MLP对特征缩放非常敏感。你的数据正常化了吗

修改网络结构：添加更多隐藏层，并更改每层感知器的数量

将激活功能更改为sigmod/tanh/relu等

---

阿尔贝托，你能让你的例子重现吗？定义

数据

变量，以便其他人可以为您提供切实的帮助。干杯4.更改学习率：

learning\u rate

，

learning\u rate\u init

。5.切换

提前停止