调整超参数
在使用 MLP 分类器时，训练迭代次数以及隐藏层的大小是两类主要可调整的超参数。本练习中，您将分别改变这两类超参数，并观察准确率与 ROC 曲线的 AUC 等性能指标如何变化。
您的工作区中已提供 X_train、y_train、X_test、y_test。特征已使用 StandardScaler() 标准化。pandas 已以 pd 导入，numpy 已以 np 导入。
本练习是课程的一部分
用 Python 预测 CTR 的机器学习实战
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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])))