Python Sklearn神经网络分类器迭代和丢失

Question

我试图实现我读过的一篇论文。基本上它使用3个具有不同参数的神经网络分类器来处理相同的贷款默认数据，具有9种不同的训练测试比率。

为了找到最佳参数，我们使用以下标准，当（1）0.0.0.0:8000时 （2）损失值小于0.008，我们测量精度值，并选择最佳。

但是，当我尝试使用python max_iteration=25000完成此操作时，我遇到了一个问题。当训练测试比率增加时，程序运行的迭代时间急剧下降。同时，损失值增加，

分类器效果表。

这显然不是我想要的，迭代次数应该在停止之前保持上升到25000。

这就是我定义classifer的方式：

sklearnsklearn.neural_network.MLPClassifier

正如您所看到的，我已经设置了clf1= MLPClassifier(activation='relu',solver='sgd',early_stopping=False,alpha=1e-5,max_iter=25000,\ hidden_layer_sizes=(18),momentum=0.7,learning_rate_init=0.0081,tol=0,random_state=3) clf2= MLPClassifier(activation='relu',early_stopping=False,solver='sgd',alpha=1e-5,max_iter=25000,\ hidden_layer_sizes=(23),momentum=0.69,learning_rate_init=0.0095,tol=0,random_state=3) clf3= MLPClassifier(activation='relu',early_stopping=False,solver='sgd',alpha=1e-5,max_iter=25000,\ hidden_layer_sizes=(27),momentum=0.79,learning_rate_init=0.0075,tol=0,random_state=3) ，因此每次迭代时，它都可以减少损失。而且我尝试了其他值，但仍然，迭代次数比我预期的要小。

希望有人可以帮助我，谢谢！