轉載自 http://blog.csdn.net/haiyu94/article/details/53001726
參數說明：
1.hidden_layer_sizes :元祖格式，長度=n_layers-2, 默認(100，），第i個元素表示第i個隱藏層的神經元的個數。 2.
activation :{‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默認‘relu - ‘identity’： no-op activation, useful to implement linear bottleneck，
返回f(x) = x
- ‘logistic’：the logistic sigmoid function, returns f(x) = 1 / (1 + exp(-x)).
- ‘tanh’：the hyperbolic tan function, returns f(x) = tanh(x).
- ‘relu’：the rectified linear unit function, returns f(x) = max(0, x)
4.
solver： {‘lbfgs’, ‘sgd’, ‘adam’}, 默認 ‘adam’，用來優化權重 - lbfgs：quasi-Newton方法的優化器
- sgd：隨機梯度下降
- adam： Kingma, Diederik, and Jimmy Ba提出的機遇隨機梯度的優化器
注意：默認solver ‘adam’在相對較大的數據集上效果比較好（幾千個樣本或者更多），對小數據集來說，lbfgs收斂更快效果也更好。
5.
alpha :float,可選的，默認0.0001,正則化項參數 6.
batch_size : int , 可選的，默認‘auto’,隨機優化的minibatches的大小，如果solver是‘lbfgs’，分類器將不使用minibatch，當設置成‘auto’，batch_size=min(200,n_samples) 7.
learning_rate :{‘constant’，‘invscaling’, ‘adaptive’},默認‘constant’，用於權重更新，只有當solver爲’sgd‘時使用 - ‘constant’: 有‘learning_rate_init’給定的恆定學習率
- ‘incscaling’：隨着時間t使用’power_t’的逆標度指數不斷降低學習率
learning_rate_ ，effective_learning_rate = learning_rate_init / pow(t, power_t) - ‘adaptive’：只要訓練損耗在下降，就保持學習率爲’learning_rate_init’不變，當連續兩次不能降低訓練損耗或驗證分數停止升高至少
tol時，將當前學習率除以5. 8.
max_iter: int，可選，默認200，最大迭代次數。 9.
random_state:int 或RandomState，可選，默認None，隨機數生成器的狀態或種子。 10.
shuffle: bool，可選，默認True,只有當solver=’sgd’或者‘adam’時使用，判斷是否在每次迭代時對樣本進行清洗。 11.
tol：float, 可選，默認1e-4，優化的容忍度 12.
learning_rate_int:double,可選，默認0.001，初始學習率，控制更新權重的補償，只有當solver=’sgd’ 或’adam’時使用。 13.
power_t: double, optional, default 0.5，只有solver=’sgd’時使用，是逆擴展學習率的指數.當learning_rate=’invscaling’，用來更新有效學習率。 14.
verbose : bool, optional, default False,是否將過程打印到stdout 15.
warm_start : bool, optional, default False,當設置成True，使用之前的解決方法作爲初始擬合，否則釋放之前的解決方法。 16.
momentum : float, default 0.9,Momentum(動量） for gradient descent update. Should be between 0 and 1. Only used when solver=’sgd’. 17.
nesterovs_momentum : boolean, default True, Whether to use Nesterov’s momentum. Only used when solver=’sgd’ and momentum > 0. 18.
early_stopping : bool, default False,Only effective when solver=’sgd’ or ‘adam’,判斷當驗證效果不再改善的時候是否終止訓練，當爲True時，自動選出10%的訓練數據用於驗證並在兩步連續爹迭代改善低於tol時終止訓練。 19.
validation_fraction : float, optional, default 0.1,用作早期停止驗證的預留訓練數據集的比例，早0-1之間，只當early_stopping=True有用 20. beta_1 : float, optional, default 0.9，Only used when solver=’adam’，估計一階矩向量的指數衰減速率，[0,1)之間
21.
beta_2 : float, optional, default 0.999,Only used when solver=’adam’估計二階矩向量的指數衰減速率[0,1)之間 22.
epsilon : float, optional, default 1e-8,Only used when solver=’adam’數值穩定值。 屬性說明：
-
classes_:每個輸出的類標籤 -
loss_:損失函數計算出來的當前損失值 -
coefs_:列表中的第i個元素表示i層的權重矩陣 -
intercepts_:列表中第i個元素代表i+1層的偏差向量 -
n_iter_ ：迭代次數 -
n_layers_:層數 -
n_outputs_:輸出的個數 -
out_activation_:輸出激活函數的名稱。 方法說明：
-
fit(X,y):擬合 -
get_params([deep]):獲取參數 -
predict(X):使用MLP進行預測 -
predic_log_proba(X):返回對數概率估計 -
predic_proba(X)：概率估計 -
score(X,y[,sample_weight]):返回給定測試數據和標籤上的平均準確度 -
set_params(**params):設置參數。