我一直在尝试调整MLP模型的超参数来解决回归问题，但总是收到收敛警告。

这是我的代码

def mlp_model(X, Y):estimator=MLPRegressor()param_grid = {'hidden_layer_sizes': [(50,50,50), (50,100,50), (100,1)],          'activation': ['relu','tanh','logistic'],          'alpha': [0.0001, 0.05],          'learning_rate': ['constant','adaptive'],          'solver': ['adam']}gsc = GridSearchCV(    estimator,    param_grid,    cv=5, scoring='neg_mean_squared_error', verbose=0, n_jobs=-1)grid_result = gsc.fit(X, Y)best_params = grid_result.best_params_best_mlp = MLPRegressor(hidden_layer_sizes = best_params["hidden_layer_sizes"],                         activation =best_params["activation"],                        solver=best_params["solver"],                        max_iter= 5000, n_iter_no_change = 200              )scoring = {           'abs_error': 'neg_mean_absolute_error',           'squared_error': 'neg_mean_squared_error',           'r2':'r2'}scores = cross_validate(best_mlp, X, Y, cv=10, scoring=scoring, return_train_score=True, return_estimator = True)return scores

我收到的警告是

ConvergenceWarning: Stochastic Optimizer: Maximum iterations (5000) reached and the optimization hasn't converged yet.% self.max_iter, ConvergenceWarning)

我的数据集有87个特征和1384行数据，全部为数值型数据，并使用MinMaxScaler进行了缩放。如果您能指导我如何调整超参数，我将不胜感激。

回答：

嗯，您可以尝试三个选项，第一个显而易见的是将max_iter从5000增加到更高的数字，因为您的模型在5000个周期内未能收敛，第二，尝试使用batch_size，因为您有1384个训练样本，您可以使用16、32或64的批量大小，这有助于在5000次迭代内使您的模型收敛，最后，您可以将learning_rate_init稍微提高一些，因为看起来学习率较低，因为即使经过5000次迭代，您的模型也未能收敛。希望这对您有帮助