調整超參數
在使用 MLP 分類器時，訓練的迭代次數與隱藏層的大小是兩個主要可調整的超參數。在這個練習中，你會分別調整這兩者，並觀察模型在準確率與 ROC 曲線的 AUC 方面的表現如何變化。
工作環境中已提供 X_train、y_train、X_test、y_test。特徵已使用 StandardScaler() 標準化。pandas（作為 pd）與 numpy（作為 np）也已可用。
本練習屬於課程
用 Python 透過機器學習預測 CTR
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
clf = MLPClassifier(hidden_layer_sizes = (4, ),
____ = max_iter, random_state = 0)
# Extract relevant predictions
y_score = clf.fit(____, ____).____(X_test)
y_pred = clf.fit(____, ____).____(X_test)
# Get ROC curve metrics
print("Accuracy for max_iter = %s: %s" %(
max_iter, _____(y_test, ____)))
print("AUC for max_iter = %s: %s" %(
max_iter, ____(y_test, ____[:, 1])))