前期準備之Keras的scikit-learn接口包裝器

Keras是一個深度學習庫，包含高效的數字庫Theano和TensorFlow。是一個高度模塊化的神經網絡庫，支持CPU和GPU。

Scikit-learn是基于Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，GradientBoosting，聚類算法和DBSCAN。而且也設計出了Pythonnumerical和scientificlibrariesNumpyandScipy。

我們可以通過包裝器將Sequential模塊(僅有一個輸入)作為Scikit-learn工作流的一部分，相關的包裝器定義在keras.wrappers.scikit_learn.py中。

1：目前有兩個包裝器可用

其中實現了sklearn的分類器接口是下面包裝器：

1keras.wrappers.scikit_learn.KerasClassifier(build_fn=None,**sk_params)

實現了sklearn的回歸器接口的是下面包裝器：

1keras.wrappers.scikit_learn.KerasRegressor(build_fn=None,**sk_params)

2，參數build_fn：可調用的函數或者類對象

build_fn應構造，編譯并返回一個Keras模型，該模型將稍后用于訓練/測試，build_fn值可能為以下三種之一：

1，一個函數

2，一個具有call方法的類對象

3，None，代表你的類繼承自KerasClassifier或者KerasRegressor，其call方法為其父類call方法

3，參數sk_params：模型參數和訓練參數

sk_params以模型參數和訓練(超)參數作為參數，合法的模型參數為build_fn的參數，注意：‘build_fn’應提供其參數的默認值。所以我們不傳遞任何值給sk_params也可以創建一個分類器/回歸器。

sk_params還接受用于調用fit，predict，predict_proba和score方法的參數，如nb_epoch，batch_size等。這些用于訓練或預測的參數按如下順序選擇：

傳遞給fit，predict，predict_proba和score的字典參數

傳遞個sk_params的參數

keras.models.Sequential，fit，predict，predict_proba和score的默認值

當使用scikit-learn的grid_search接口時，合法的可轉換參數是你可以傳遞給sk_params的參數，包括訓練參數。即，你可以使用grid_search來搜索最佳的batch_size或nb_epoch以及其他模型參數。

以上內容為大家介紹了Python機器學習之使用Keras進行回歸預測，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。