我使用 MLPClassifier 已经有一段时间了，我认为我一直对函数的作用有错误的解释，我想我现在明白了，但我不确定。因此，我将总结我的理解，如果您能在正确的理解上添加您的想法，那就太好了。
因此，使用 MLPClassifier，我们正在构建一个基于训练数据集的神经网络。设置early_stopping = True可以在训练过程中使用验证数据集，以检查网络是否也在处理新数据集。如果early_stopping = False，则不进行过程中的验证。完成构建后，如果我们愿意，我们可以使用拟合模型来预测第三个数据集。我之前的想法是，在整个训练过程中，一个验证数据集被搁置一边，在每个 epoch 之后进行验证。
我不确定我的问题是否可以理解，但如果您能帮助我理清思路，那就太好了。
sklearn.neural_network.MLPClassifier 默认使用随机梯度下降(SGD) 的（变体） 。您的问题可以更笼统地描述为如何使用 SGD 来优化监督学习环境中的参数值。这里没有特定于多层感知器 (MLP) 的内容。
因此，使用 MLPClassifier，我们正在构建一个基于训练数据集的神经网络。设置
early_stopping = True可以在训练过程中使用验证数据集
正确，尽管应该注意，这个验证集是从原始训练集中拿走的。
为了检查网络是否也在新的集合上工作。
不完全的。提前停止的目的是在训练过程中跟踪验证分数，一旦验证分数不再显着提高就停止训练。
如果
early_stopping = False，则在 [t] 过程中没有验证完成。完成构建后，如果我们愿意，我们可以使用拟合模型来预测第三个数据集。
正确的。
我之前的想法是，在整个训练过程中，一个验证数据集被搁置一边，在每个 epoch 之后进行验证。
正如您现在可能知道的那样，事实并非如此。将学习过程划分为 epoch 有点武断，与验证无关。