如何为MLPClassifier依次测试多种隐藏层架构配置？

你直接把包含多个隐藏层配置的列表传给了hidden_layer_sizes参数，但这个参数要求的是单个元组（对应一个MLP模型的隐藏层结构）。当sklearn内部验证参数时，会把你传入的列表转成数组，数组里的每个元素是元组，和整数0比较时就触发了类型错误。

方法1：手动循环逐个测试配置 #

遍历所有隐藏层配置，为每个配置单独创建并训练MLP模型：

hl_parameters = {'hidden_layer_sizes': [(10,), (50,), (10,10,), (50,50,)]}

# 遍历每个隐藏层配置
for size in hl_parameters['hidden_layer_sizes']:
    print(f"训练配置: {size}")
    mlp = MLPClassifier(
        hidden_layer_sizes=size,
        max_iter=300,
        alpha=1e-4,
        solver='sgd',
        tol=1e-4,
        learning_rate_init=.1,
        verbose=True,
        random_state=ID
    )
    mlp.fit(X_train, y_train)
    # 可添加模型评估逻辑，比如测试集准确率计算
    # accuracy = mlp.score(X_test, y_test)
    # print(f"配置{size}的测试准确率: {accuracy}")

方法2：用GridSearchCV自动调参（推荐） #

如果需要系统测试参数并做交叉验证，使用sklearn的GridSearchCV，它会自动遍历所有指定参数组合并返回最优模型：

from sklearn.model_selection import GridSearchCV

# 定义参数网格
param_grid = {'hidden_layer_sizes': [(10,), (50,), (10,10,), (50,50,)]}

# 初始化MLP基础模型
mlp_base = MLPClassifier(
    max_iter=300,
    alpha=1e-4,
    solver='sgd',
    tol=1e-4,
    learning_rate_init=.1,
    verbose=True,
    random_state=ID
)

# 初始化网格搜索（5折交叉验证）
grid_search = GridSearchCV(estimator=mlp_base, param_grid=param_grid, cv=5, verbose=2)
grid_search.fit(X_train, y_train)

# 查看最优结果
print(f"最优隐藏层配置: {grid_search.best_params_}")
print(f"最优交叉验证得分: {grid_search.best_score_}")

# 使用最优模型进行后续预测
best_mlp = grid_search.best_estimator_

内容的提问来源于stack exchange，提问作者cipos