＃ 使用GridSearchCV进行最优参数搜索
param＿grid ＝ ｛
＃ 模型隐层数量
＇hidden＿layer＿sizes＇： ［（10， ）， （15， ）， （20， ）， （5， 5）］，
＃ 激活函数
＇activation＇： ［＇logistic＇， ＇tanh＇， ＇relu＇］，
＃ 正则化系数
＇alpha＇： ［0．001， 0．01， 0．1， 0．2， 0．4， 1， 10］
｝
mlp ＝ MLPClassifier（max＿iter＝1000）
＃ 选择roc＿auc作为评判标准，4折交叉验证，n＿jobs＝－1使用多核CPU的全部线程
gcv ＝ GridSearchCV（estimator＝mlp， param＿grid＝param＿grid，
scoring＝＇roc＿auc＇， cv＝4， n＿jobs＝－1）
gcv．fit（scaled＿train＿data， train＿target）
输出最优参数的模型的情况。
＃ 输出最优参数下模型的得分
print（gcv．best＿score＿）
＃ 输出值为0．9258018987136855
＃ 输出最优参数下模型的参数
print（gcv．best＿params＿）
＃ 输出参数值为｛＇alpha＇： 0．01， ＇activation＇： ＇tanh＇， ＇hidden＿layer＿sizes＇： （5， 5）｝
＃ 使用指定数据集输出最优模型预测的平均准确度
print（gcv．score（scaler＿test＿data， test＿target））
＃ 输出值为0．9169384823390232
模型的roc＿auc最高得分为0．92，即该模型下的ROC曲线下面积为0．92。
较之前的0．9149，提高了一点点。
模型的最优参数，激活函数为relu类型，alpha为0．01，隐藏层节点数为15个。
模型的预测平均准确率为0．9169，较之前的0．8282，提高了不少。
