Scikit-Learn API 的封装器

你可以使用 Keras 的 Sequential 模型（仅限单一输入）作为 Scikit-Learn 工作流程的一部分，通过在此找到的包装器: keras.wrappers.scikit_learn.py。

有两个封装器可用:

keras.wrappers.scikit_learn.KerasClassifier(build_fn=None, **sk_params), 这实现了Scikit-Learn 分类器接口,

keras.wrappers.scikit_learn.KerasRegressor(build_fn=None, **sk_params), 这实现了Scikit-Learn 回归接口。

参数

• build_fn: 可调用函数或类实例
• sk_params: 模型参数和拟合参数

build_fn 应该建立，编译，并返回一个 Keras 模型，然后被用来训练/预测。以下三个值之一可以传递给build_fn

1. 一个函数；
2. 实现 __call__ 方法的类的实例；
3. None。这意味着你实现了一个继承自 KerasClassifier 或 KerasRegressor 的类。当前类 __call__ 方法将被视为默认的 build_fn。

sk_params 同时包含模型参数和拟合参数。合法的模型参数是 build_fn 的参数。请注意，与 scikit-learn 中的所有其他估算器一样，build_fn 应为其参数提供默认值， 以便你可以创建估算器而不将任何值传递给 sk_params。

sk_params 还可以接受用于调用 fit，predict，predict_proba 和 score 方法的参数（例如，epochs，batch_size）。训练（预测）参数按以下顺序选择：

1. 传递给 fit，predict，predict_proba 和 score 函数的字典参数的值；
2. 传递给 sk_params 的值；
3. keras.models.Sequential 的 fit，predict，predict_proba 和 score 方法的默认值。

当使用 scikit-learn 的 grid_search API 时，合法可调参数是你可以传递给 sk_params 的参数，包括训练参数。换句话说，你可以使用 grid_search 来搜索最佳的 batch_size 或 epoch 以及其他模型参数。