用scikit-learn的MLP模型来训练，从5折交叉验证中选出最优的那组模型，最终再把这组模型应用到测试集上面挑选出出最好的模型。
对于MLP的参数，这次探究的就是
hidden_layer_size：隐藏层的数量以及神经元的数量
max_iter：最大迭代次数
alpha：学习率
solver：激活函数
hidden_layer_size的候选参数：
[[100, 100], [100, 150], [100, 200], [150, 100], [200, 100],[150, 150], [200, 150], [200, 200]]
max_iter:
[300] #本次只选300（拟合速度快，效果也过得去）
solver：[‘adam’]
alpha：[0.0001, 0.001, 0.01, 0.1, 0.2, 0.5]
5折交叉验证：把一份数据分成5分数据，其中4份数据作为训练集，一份作为测试集，这次是将一份数据分成10组，每一组都是一份训练一份验证。
实现交叉验证我是用嵌套循环来遍历参数和数据集，每一轮训练验证以后出（同一份参数遍历完10组数据算一轮）模型得分（也就是一轮会有5个分数）。
全部参数遍历完以后，取出平均分最高的一组参数，这组参数就是交叉验证得出的最佳参数。
接下来就是进行集成测试
将得分最高的那组参数的所有模型（也就是有5个模型），把测试集丢进去分别算出模型得分，然后通过投票产生结果（也就是取最高分的那个模型）。