要实现不要因为“tol”而停止训练MLPRegressor（solver=lbfgs），而是只在达到max_iter时停止，可以通过设置参数tol为一个较大的值，并将max_iter设置为一个较大的数，以确保训练在达到最大迭代次数时停止。

以下是一个示例代码：

from sklearn.neural_network import MLPRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# 生成示例数据
X, y = make_regression(n_samples=100, n_features=10, random_state=42)

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建MLPRegressor模型
model = MLPRegressor(solver='lbfgs', tol=1e-3, max_iter=10000)

# 训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 打印预测结果
print(y_pred)

在上述代码中，tol被设置为1e-3，这是一个较大的值，可以确保模型的训练不会因为达到该阈值而提前停止。max_iter被设置为10000，这是一个较大的数，以确保模型在达到最大迭代次数时停止训练。

请注意，由于MLPRegressor模型的训练过程是基于迭代的，因此在某些情况下，可能需要增加max_iter的值或调整其他超参数来确保模型收敛。