SKLearnClassifier
类keras.wrappers.SKLearnClassifier(
model, warm_start=False, model_kwargs=None, fit_kwargs=None
)
Keras 模型兼容 scikit-learn 的分类器包装器。
请注意,模型初始化和训练中存在随机性来源。请参阅Keras 模型的可复现性以了解如何控制随机性。
参数
Model
。一个 Model
实例,或一个返回此类对象的 callable。请注意,如果输入是一个 Model
,除非设置了 warm_start=True
,否则在拟合之前会使用 keras.models.clone_model
克隆它。传递的 Model
实例需要是已经编译好的。如果传递的是 callable,它必须至少接受 X
和 y
作为关键字参数。如果用户通过 model_kwargs
传递了其他参数,callable 也必须接受这些参数。False
。是否重用上次拟合的模型权重。如果设置为 True
,则不会克隆给定的模型,并且将重用上次拟合的权重。None
。如果 model
是 callable,则传递给 model
的关键字参数。None
。传递给 model.fit
的关键字参数。这些参数也可以直接传递给 scikit-learn 包装器的 fit
方法。直接传递给 fit
方法的值将优先于此处设置的值。属性
Model
拟合好的模型。model.fit
返回。示例
这里我们使用一个函数来创建基本的 MLP 模型,该函数动态选择输入和输出形状。我们将使用此函数来创建我们的 scikit-learn 模型。
from keras.src.layers import Dense, Input, Model
def dynamic_model(X, y, loss, layers=[10]):
# Creates a basic MLP model dynamically choosing the input and
# output shapes.
n_features_in = X.shape[1]
inp = Input(shape=(n_features_in,))
hidden = inp
for layer_size in layers:
hidden = Dense(layer_size, activation="relu")(hidden)
n_outputs = y.shape[1] if len(y.shape) > 1 else 1
out = [Dense(n_outputs, activation="softmax")(hidden)]
model = Model(inp, out)
model.compile(loss=loss, optimizer="rmsprop")
return model
然后您可以使用此函数创建一个 scikit-learn 兼容的模型,并在一些数据上进行拟合。
from sklearn.datasets import make_classification
from keras.wrappers import SKLearnClassifier
X, y = make_classification(n_samples=1000, n_features=10, n_classes=3)
est = SKLearnClassifier(
model=dynamic_model,
model_kwargs={
"loss": "categorical_crossentropy",
"layers": [20, 20, 20],
},
)
est.fit(X, y, epochs=5)
SKLearnRegressor
类keras.wrappers.SKLearnRegressor(
model, warm_start=False, model_kwargs=None, fit_kwargs=None
)
Keras 模型兼容 scikit-learn 的回归器包装器。
请注意,模型初始化和训练中存在随机性来源。请参阅Keras 模型的可复现性以了解如何控制随机性。
参数
Model
。一个 Model
实例,或一个返回此类对象的 callable。请注意,如果输入是一个 Model
,除非设置了 warm_start=True
,否则在拟合之前会使用 keras.models.clone_model
克隆它。传递的 Model
实例需要是已经编译好的。如果传递的是 callable,它必须至少接受 X
和 y
作为关键字参数。如果用户通过 model_kwargs
传递了其他参数,callable 也必须接受这些参数。False
。是否重用上次拟合的模型权重。如果设置为 True
,则不会克隆给定的模型,并且将重用上次拟合的权重。None
。如果 model
是 callable,则传递给 model
的关键字参数。None
。传递给 model.fit
的关键字参数。这些参数也可以直接传递给 scikit-learn 包装器的 fit
方法。直接传递给 fit
方法的值将优先于此处设置的值。属性
Model
拟合好的模型。示例
这里我们使用一个函数来创建基本的 MLP 模型,该函数动态选择输入和输出形状。我们将使用此函数来创建我们的 scikit-learn 模型。
from keras.src.layers import Dense, Input, Model
def dynamic_model(X, y, loss, layers=[10]):
# Creates a basic MLP model dynamically choosing the input and
# output shapes.
n_features_in = X.shape[1]
inp = Input(shape=(n_features_in,))
hidden = inp
for layer_size in layers:
hidden = Dense(layer_size, activation="relu")(hidden)
n_outputs = y.shape[1] if len(y.shape) > 1 else 1
out = [Dense(n_outputs, activation="softmax")(hidden)]
model = Model(inp, out)
model.compile(loss=loss, optimizer="rmsprop")
return model
然后您可以使用此函数创建一个 scikit-learn 兼容的模型,并在一些数据上进行拟合。
from sklearn.datasets import make_regression
from keras.wrappers import SKLearnRegressor
X, y = make_regression(n_samples=1000, n_features=10)
est = SKLearnRegressor(
model=dynamic_model,
model_kwargs={
"loss": "mse",
"layers": [20, 20, 20],
},
)
est.fit(X, y, epochs=5)
SKLearnTransformer
类keras.wrappers.SKLearnTransformer(
model, warm_start=False, model_kwargs=None, fit_kwargs=None
)
Keras 模型兼容 scikit-learn 的 Transformer 包装器。
请注意,这是一个 scikit-learn 兼容的 Transformer,而不是深度学习意义上的 Transformer。
另请注意,模型初始化和训练中存在随机性来源。请参阅Keras 模型的可复现性以了解如何控制随机性。
参数
Model
。一个 Model
实例,或一个返回此类对象的 callable。请注意,如果输入是一个 Model
,除非设置了 warm_start=True
,否则在拟合之前会使用 keras.models.clone_model
克隆它。传递的 Model
实例需要是已经编译好的。如果传递的是 callable,它必须至少接受 X
和 y
作为关键字参数。如果用户通过 model_kwargs
传递了其他参数,callable 也必须接受这些参数。False
。是否重用上次拟合的模型权重。如果设置为 True
,则不会克隆给定的模型,并且将重用上次拟合的权重。None
。如果 model
是 callable,则传递给 model
的关键字参数。None
。传递给 model.fit
的关键字参数。这些参数也可以直接传递给 scikit-learn 包装器的 fit
方法。直接传递给 fit
方法的值将优先于此处设置的值。属性
Model
拟合好的模型。model.fit
返回。示例
scikit-learn Transformer 的一个常见用例是,其中一个步骤可以为您提供数据的嵌入表示。这里我们假设 my_package.my_model
是一个 Keras 模型,它接收输入并输出数据的嵌入,而 my_package.my_data
是您的数据集加载器。
from my_package import my_model, my_data
from keras.wrappers import SKLearnTransformer
from sklearn.frozen import FrozenEstimator # requires scikit-learn>=1.6
from sklearn.pipeline import make_pipeline
from sklearn.ensemble import HistGradientBoostingClassifier
X, y = my_data()
trs = FrozenEstimator(SKLearnTransformer(model=my_model))
pipe = make_pipeline(trs, HistGradientBoostingClassifier())
pipe.fit(X, y)
请注意,在上面的示例中,FrozenEstimator
会阻止管道中 Transformer 步骤的进一步训练,如果您不想更改当前的嵌入模型,则可以使用此方法。