如何用GridSearchCV确定MLP最佳层数与隐藏层大小？报错修复

错误原因分析 #

你的代码有两个关键问题导致报错：

1. 参数生成逻辑错误：list(range([list(range(10,200,10))])) 里，range() 要求传入整数参数，但你传了一个列表进去，直接触发 TypeError。
2. 参数键名错误：因为你直接用 MLPClassifier 作为 GridSearchCV 的 estimator，不需要加 estimator__ 前缀，这个前缀仅适用于Pipeline等嵌套模型的参数指定。

修复方案 #

根据你要寻找最佳层数和隐藏层大小的需求，分两种场景给出修复代码：

场景1：仅测试单隐藏层的不同神经元数量

如果只需要测试1层隐藏层，神经元数从10到190，步长10：

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neural_network import MLPClassifier

df = pd.read_csv(r'C:\\Users\data.csv')
X = df.iloc[:,:20]
Y = df.iloc[:,20]

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2)

# 生成单隐藏层的神经元数列表：[10,20,...,190]
params = {
    'hidden_layer_sizes': list(range(10, 200, 10))
}

clf = GridSearchCV(
    estimator=MLPClassifier(),
    param_grid=params,
    cv=5,
    n_jobs=5,
    verbose=1,
)

clf.fit(X_train, y_train)
print(clf.best_params_)

场景2：测试多层隐藏层（比如1-3层）的组合

如果要同时测试不同层数（比如1、2、3层）和对应神经元数的组合，需要生成包含元组的列表，每个元组代表一层或多层的神经元数：

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neural_network import MLPClassifier

df = pd.read_csv(r'C:\\Users\data.csv')
X = df.iloc[:,:20]
Y = df.iloc[:,20]

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2)

# 生成不同层数的参数组合：单隐藏层、双隐藏层、三隐藏层
neuron_options = list(range(10, 200, 10))
hidden_layer_options = []
# 单隐藏层
for n in neuron_options:
    hidden_layer_options.append(n)
# 双隐藏层（两层神经元数相同）
for n in neuron_options:
    hidden_layer_options.append((n, n))
# 三隐藏层（三层神经元数相同）
for n in neuron_options:
    hidden_layer_options.append((n, n, n))

params = {
    'hidden_layer_sizes': hidden_layer_options
}

clf = GridSearchCV(
    estimator=MLPClassifier(),
    param_grid=params,
    cv=5,
    n_jobs=5,
    verbose=1,
)

clf.fit(X_train, y_train)
print(clf.best_params_)

说明 #

• hidden_layer_sizes 的格式：可以是整数（单隐藏层），也可以是元组/列表（多层隐藏层，每个元素对应一层的神经元数）。
• 如果你需要更灵活的多层组合（比如两层不同神经元数），可以扩展生成逻辑，比如遍历不同的神经元数组合。

内容的提问来源于stack exchange，提问作者user572575