scikit-learn中的neural_network.mlpregressor函数是一个多层感知器（MLP）回归器，它可以用于回归问题，即预测连续值的输出。它使用一种叫做反向传播的梯度下降算法来训练模型，以最小化损失函数。
使用方法
- 实例化一个MLPRegressor：regressor = MLPRegressor()
- 设置参数：regressor.set_params(hidden_layer_sizes=(100, ), activation='relu', solver='adam', alpha=0.0001, batch_size='auto', learning_rate='constant', learning_rate_init=0.001, power_t=0.5, max_iter=200, shuffle=True, random_state=None, tol=0.0001, verbose=False, warm_start=False, momentum=0.9, nesterovs_momentum=True, early_stopping=False, validation_fraction=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08)
- 训练模型：regressor.fit(X, Y)
- 预测输出：regressor.predict(X)
参数说明
- hidden_layer_sizes：元组，用于指定每层隐藏层的神经元个数，默认值为100。
- activation：激活函数，可以是“logistic”，“tanh”，“relu”，默认值为“relu”。
- solver：求解器，可以是“lbfgs”，“sgd”，“adam”，默认值为“adam”。
- alpha：正则化参数，默认值为0.0001。
- batch_size：批量大小，可以是“auto”，“minibatch”，整数，默认值为“auto”。
- learning_rate：学习率，可以是“constant”，“invscaling”，“adaptive”，默认值为“constant”。
- learning_rate_init：初始学习率，默认值为0.001。
- power_t：指数衰减因子，默认值为0.5。
- max_iter：最大迭代次数，默认值为200。
- shuffle：是否洗牌，默认值为True。
- random_state：随机种子，默认值为None。
- tol：容忍度，默认值为0.0001。
- verbose：是否输出训练过程中的日志，默认值为False。
- warm_start：是否使用上次训练的结果，默认值为False。
- momentum：动量因子，默认值为0.9。
- nesterovs_momentum：是否使用Nesterov动量，默认值为True。
- early_stopping：是否使用早期停止，默认值为False。
- validation_fraction：验证集比例，默认值为0.1。
- beta_1：Adam优化器的beta_1参数，默认值为0.9。
- beta_2：Adam优化器的beta_2参数，默认值为0.999。
- epsilon：Adam优化器的epsilon参数，默认值为1e-08。