前期準(zhǔn)備之Keras的scikit-learn接口包裝器

Keras是一個(gè)深度學(xué)習(xí)庫(kù)，包含高效的數(shù)字庫(kù)Theano和TensorFlow。是一個(gè)高度模塊化的神經(jīng)網(wǎng)絡(luò)庫(kù)，支持CPU和GPU。

Scikit-learn是基于Scipy為機(jī)器學(xué)習(xí)建造的的一個(gè)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(jī)，邏輯回歸，樸素貝葉斯分類器，隨機(jī)森林，GradientBoosting，聚類算法和DBSCAN。而且也設(shè)計(jì)出了Pythonnumerical和scientificlibrariesNumpyandScipy。

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

1：目前有兩個(gè)包裝器可用

其中實(shí)現(xiàn)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(shí)現(xiàn)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(shù)build_fn：可調(diào)用的函數(shù)或者類對(duì)象

build_fn應(yīng)構(gòu)造，編譯并返回一個(gè)Keras模型，該模型將稍后用于訓(xùn)練/測(cè)試，build_fn值可能為以下三種之一：

1，一個(gè)函數(shù)

2，一個(gè)具有call方法的類對(duì)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(shù)sk_params：模型參數(shù)和訓(xùn)練參數(shù)

sk_params以模型參數(shù)和訓(xùn)練(超)參數(shù)作為參數(shù)，合法的模型參數(shù)為build_fn的參數(shù)，注意：‘build_fn’應(yīng)提供其參數(shù)的默認(rèn)值。所以我們不傳遞任何值給sk_params也可以創(chuàng)建一個(gè)分類器/回歸器。

sk_params還接受用于調(diào)用fit，predict，predict_proba和score方法的參數(shù)，如nb_epoch，batch_size等。這些用于訓(xùn)練或預(yù)測(cè)的參數(shù)按如下順序選擇：

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

傳遞個(gè)sk_params的參數(shù)

keras.models.Sequential，fit，predict，predict_proba和score的默認(rèn)值

當(dāng)使用scikit-learn的grid_search接口時(shí)，合法的可轉(zhuǎn)換參數(shù)是你可以傳遞給sk_params的參數(shù)，包括訓(xùn)練參數(shù)。即，你可以使用grid_search來(lái)搜索最佳的batch_size或nb_epoch以及其他模型參數(shù)。

以上內(nèi)容為大家介紹了Python機(jī)器學(xué)習(xí)之使用Keras進(jìn)行回歸預(yù)測(cè)，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。