Scikit-Learn API的封装器

你可以使用Keras的顺序模型(仅限单一输入)作为Scikit-Learn工作流程的一部分，通过在此找到的包装器:
keras.wrappers.scikit_learn.py.

有两个封装器可用:

keras.wrappers.scikit_learn.KerasClassifier(build_fn=None, **sk_params), 这实现了Scikit-Learn分类器接口,

keras.wrappers.scikit_learn.KerasRegressor(build_fn=None, **sk_params), 这实现了Scikit-Learn regressor界面。

参数

  • build_fn: 可调用函数或类实例
  • sk_params: 模型参数和拟合参数

build_fn 这应该建立，编译，并返回一个Keras模型，将被用来拟合/预测。 以下之一三个值可以传递给build_fn

  1. 函数
  2. 实现__call__函数的类的实例
  3. 没有。这意味着你实现了一个继承的类KerasClassifier或KerasRegressor。 当前类的call函数将被视为默认的build_fn。

sk_params同时包含模型参数和拟合参数。 法律模型参数是build_fn的参数。 类似于其他所有
估计者在Scikit-Learn, build_fn应该为其参数提供默认值，这样就可以创建估计器，而不需要将任何值传递给sk_params。

sk_params也可以被称为fit，predict，
predict_proba和score函数 (e.g., epochs, batch_size).
拟合（预测）参数按以下顺序选择:

  1. 传递给fit，predict，predict_proba和score函数的字典参数的值
  2. 传递给sk_params的值
  3. keras.models.Sequential的默认值
    fit，predict，predict_proba和score函数

当scikit-learn使用grid_search API时，有效参数与sk_params相同，包括拟合参数。
换句话说，你可以使用grid_search来搜索最好的batch_size或epochs以及模型参数。