► Keras 3 API 文档 / 实用工具 / Scikit-Learn API 封装器

Scikit-Learn API 封装器

[源代码]

SKLearnClassifier 类

keras.wrappers.SKLearnClassifier(
    model, warm_start=False, model_kwargs=None, fit_kwargs=None
)

用于 Keras 模型的 scikit-learn 兼容分类器封装器。

请注意，模型初始化和训练中存在随机性来源。请参阅 Keras 模型中的可重复性，了解如何控制随机性。

参数

  • model: Model。Model 的实例，或返回此类对象的可调用对象。请注意，如果输入是 Model，则在使用前将使用 keras.models.clone_model 克隆它，除非 warm_start=True。Model 实例需要作为已编译的模型传递。如果是可调用对象，则它必须至少接受 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，则也必须接受这些参数。
  • warm_start: bool，默认为 False。是否重用上次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且将重用上次拟合的权重。
  • model_kwargs: dict，默认为 None。如果 model 是可调用对象，则传递给 model 的关键字参数。
  • fit_kwargs: dict，默认为 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 封装器的 fit 方法。直接传递给 fit 方法的值优先于这些值。

属性

  • model_ : Model 已拟合的模型。
  • history_ : dict 由 model.fit 返回的拟合历史记录。
  • classes_ : 类数组，shape=(n_classes,) 类标签。

示例

这里我们使用一个函数，该函数动态创建基本的 MLP 模型，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 兼容模型，并在某些数据上拟合它。

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)

[源代码]

SKLearnRegressor 类

keras.wrappers.SKLearnRegressor(
    model, warm_start=False, model_kwargs=None, fit_kwargs=None
)

用于 Keras 模型的 scikit-learn 兼容回归器封装器。

请注意，模型初始化和训练中存在随机性来源。请参阅 Keras 模型中的可重复性，了解如何控制随机性。

参数

  • model: Model。Model 的实例，或返回此类对象的可调用对象。请注意，如果输入是 Model，则在使用前将使用 keras.models.clone_model 克隆它，除非 warm_start=True。Model 实例需要作为已编译的模型传递。如果是可调用对象，则它必须至少接受 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，则也必须接受这些参数。
  • warm_start: bool，默认为 False。是否重用上次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且将重用上次拟合的权重。
  • model_kwargs: dict，默认为 None。如果 model 是可调用对象，则传递给 model 的关键字参数。
  • fit_kwargs: dict，默认为 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 封装器的 fit 方法。直接传递给 fit 方法的值优先于这些值。

属性

  • model_ : Model 已拟合的模型。

示例

这里我们使用一个函数，该函数动态创建基本的 MLP 模型，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 兼容模型，并在某些数据上拟合它。

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)

[源代码]

SKLearnTransformer 类

keras.wrappers.SKLearnTransformer(
    model, warm_start=False, model_kwargs=None, fit_kwargs=None
)

用于 Keras 模型的 scikit-learn 兼容转换器封装器。

请注意，这是一个 scikit-learn 兼容的转换器，而不是深度学习意义上的转换器。

另请注意，模型初始化和训练中存在随机性来源。请参阅 Keras 模型中的可重复性，了解如何控制随机性。

参数

  • model: Model。Model 的实例，或返回此类对象的可调用对象。请注意，如果输入是 Model，则在使用前将使用 keras.models.clone_model 克隆它，除非 warm_start=True。Model 实例需要作为已编译的模型传递。如果是可调用对象，则它必须至少接受 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，则也必须接受这些参数。
  • warm_start: bool，默认为 False。是否重用上次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且将重用上次拟合的权重。
  • model_kwargs: dict，默认为 None。如果 model 是可调用对象，则传递给 model 的关键字参数。
  • fit_kwargs: dict，默认为 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 封装器的 fit 方法。直接传递给 fit 方法的值优先于这些值。

属性

  • model_ : Model 已拟合的模型。
  • history_ : dict 由 model.fit 返回的拟合历史记录。

示例

scikit-learn 转换器的一个常见用例是拥有一个步骤，该步骤为您提供数据的嵌入。在这里，我们假设 my_package.my_model 是一个 Keras 模型，它接受输入并给出数据的嵌入，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 阻止了管道中转换器步骤的任何进一步训练，如果您不想更改手头的嵌入模型，则可能会出现这种情况。

Scikit-Learn API 封装器
SKLearnClassifier 类
SKLearnRegressor 类
SKLearnTransformer 类