scikit learn中MLPRegressor的超参数优化

Question

我是使用python进行机器学习的新手，如果能帮助我解决以下问题，我将不胜感激。

我正在尝试为不同的隐藏神经元编号(6个值)列表运行MLPRegressor，并且对于每个选定的神经元编号，我希望训练数据被混洗三次，即每个神经元编号三分。下面的代码运行良好，返回18个分数(6*3)。然而，我觉得这不是解决问题的有效方法，因为它运行了将近一个小时。我尝试过使用GridSearchCV()，但我不知道如何控制训练数据的混洗(每个隐藏的神经元编号3次)。有人能建议一个更好(更快)的方法来解决这个问题吗？

from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import cross_val_score
from sklearn.utils import shuffle

n=3 # how many times to shuffle the training data
nhn_range=[8,10,12,14,16,18] # number of hidden neurons

nhn_scores = []
for nhn in nhn_range:
    mlp = MLPRegressor(hidden_layer_sizes=(nhn,), activation='tanh', 
                       solver='adam', shuffle=False, random_state=42, 
                       max_iter=20000, momentum=0.7, early_stopping=True, 
                       validation_fraction=0.15)
    for _ in range(n):
        df_train = shuffle(df_train)
        score = np.sqrt(-cross_val_score(mlp, df_train[feature_cols], 
                        df_train[response_cols], 
                        cv=5, scoring='neg_mean_squared_error')).mean()
        nhn_scores.append(score)

该代码返回一个分数列表。如何才能得到一个3行(每次洗牌)和6列(每个隐藏神经元编号)的简单数据帧。

提前感谢