scikit-learn MLPClassifier 为hidden_layer_sizes传入数组的正确方法
报错核心原因
Python 的 * 序列解包(varargs展开)语法存在明确的使用边界:
- 仅能在函数调用的独立传参位置使用,即形如
func(*iterable, key=value)的结构中,*iterable是和关键字参数平级的独立传参项 - 绝对不能将 * 解包的表达式放在关键字参数的等号右侧,也就是
func(key=(*iterable))属于非法语法,和scikit-learn的参数定义无关,纯语法层面就会触发SyntaxError。
另外针对scikit-learn的MLPClassifier组件,存在一个常见认知误区:
很多开发者误将官方示例中hidden_layer_sizes=(15,10,5)的元组括号识别为可变参数语法,才会尝试把写在括号里做数组展开。实际上hidden_layer_sizes并不是接收可变长度的位置参数列表,它本身就是一个单类型参数,要求传入可迭代结构(列表/元组均可),结构内的每个元素依次对应一层隐层的神经元数量,根本不需要做解包操作。
正确传参方案
方案1:直接传入预定义的列表/元组(推荐)
完全不需要额外解包,将提前定义好的数组作为整体值传入对应参数即可,完整可运行示例:
from sklearn.neural_network import MLPClassifier # 预定义的隐层结构数组 arr = [15, 10, 5] clf = MLPClassifier( hidden_layer_sizes=arr, activation='tanh', max_iter=100 )
这种写法完全符合参数定义:scikit-learn内部会自动遍历传入的可迭代对象,读取每个元素对应的隐层规模,和直接写 hidden_layer_sizes=(15,10,5) 的运行效果完全一致。
方案2:明确*解包语法的合法使用边界
如果有自定义函数需要接收可变长度位置参数,可以将*解包放在函数整体传参的平级位置,不能嵌套在关键字参数的赋值逻辑里:
# 合法的*解包位置示例 def sample_func(*args, **kwargs): pass arr = [15, 10, 5] # 这里的*arr是函数传参列表里的独立项,语法完全合法 sample_func(*arr, activation='tanh', max_iter=100)
注意:这种写法不能直接套用到MLPClassifier上,因为MLPClassifier的
hidden_layer_sizes参数是单个可迭代入参,不接收多个独立的隐层规模位置参数,强行把*arr放到平级传参位置会导致类型不匹配的运行时报错。
内容的提问来源于stack exchange,提问作者Tonmoy Barua
相关产品推荐
相关产品推荐

