SKLearnClassifier 类keras.wrappers.SKLearnClassifier(
model, warm_start=False, model_kwargs=None, fit_kwargs=None
)
scikit-learn 兼容的 Keras 模型分类器包装器。
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，了解如何控制随机性。
参数
Model。Model 的一个实例，或返回此类对象的调用对象。请注意，如果输入是 Model，它将在拟合前使用 keras.models.clone_model 克隆，除非 warm_start=True。Model 实例需要已编译。如果为调用对象，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 传递其他参数，则必须接受。False。是否重用上一次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且会重用上一次拟合的权重。None。传递给 model 的关键字参数，如果 model 是可调用对象的话。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 方法的值优先于这些参数。属性
Model 拟合后的模型。model.fit 返回。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，并选择输入和输出形状。我们将使用它来创建我们的 scikit-learn 模型。
from keras.layers import Dense, Input
from keras.models import 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 scikit-learn 兼容的模型，并用一些数据对其进行拟合。
from sklearn.datasets import make_classification
from keras.wrappers import SKLearnClassifier
X, y = make_classification(n_samples=1000, n_features=10)
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
)
scikit-learn 兼容的 Keras 模型回归器包装器。
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，了解如何控制随机性。
参数
Model。Model 的一个实例，或返回此类对象的调用对象。请注意，如果输入是 Model，它将在拟合前使用 keras.models.clone_model 克隆，除非 warm_start=True。Model 实例需要已编译。如果为调用对象，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 传递其他参数，则必须接受。False。是否重用上一次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且会重用上一次拟合的权重。None。传递给 model 的关键字参数，如果 model 是可调用对象的话。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 方法的值优先于这些参数。属性
Model 拟合后的模型。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，并选择输入和输出形状。我们将使用它来创建我们的 scikit-learn 模型。
from keras.layers import Dense, Input
from keras.models import 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)(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 scikit-learn 兼容的模型，并用一些数据对其进行拟合。
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
)
scikit-learn 兼容的 Keras 模型转换器包装器。
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。
另外请注意，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，了解如何控制随机性。
参数
Model。Model 的一个实例，或返回此类对象的调用对象。请注意，如果输入是 Model，它将在拟合前使用 keras.models.clone_model 克隆，除非 warm_start=True。Model 实例需要已编译。如果为调用对象，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 传递其他参数，则必须接受。False。是否重用上一次拟合的模型权重。如果为 True，则不会克隆给定的模型，并且会重用上一次拟合的权重。None。传递给 model 的关键字参数，如果 model 是可调用对象的话。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 方法的值优先于这些参数。属性
Model 拟合后的模型。model.fit 返回。示例
scikit-learn 转换器的一个常见用例是包含一个能为您提供数据嵌入的步骤。这里我们假设 my_package.my_model 是一个 Keras 模型，它接受输入并生成数据的嵌入，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 可防止管道中的转换器步骤进行任何进一步的训练，如果您不想更改当前嵌入模型，这是一种可能的情况。