Python机器学习之使用Keras进行回归预测

前期准备之Keras的scikit-learn接口包装器

Keras是一个深度学习库，包含高效的数字库Theano和TensorFlow。是一个高度模块化的神经网络库，支持CPU和GPU。

Scikit-learn是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy。

我们可以通过包装器将Sequential模块(仅有一个输入)作为Scikit-learn工作流的一部分，相关的包装器定义在keras.wrappers.scikit_learn.py中。

1：目前有两个包装器可用

其中实现了sklearn的分类器接口是下面包装器：

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

实现了sklearn的回归器接口的是下面包装器：

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

2，参数build_fn：可调用的函数或者类对象

build_fn应构造，编译并返回一个Keras模型，该模型将稍后用于训练/测试，build_fn值可能为以下三种之一：

1，一个函数

2，一个具有call方法的类对象

3，None，代表你的类继承自KerasClassifier或者KerasRegressor，其call方法为其父类call方法

3，参数sk_params：模型参数和训练参数

sk_params以模型参数和训练(超)参数作为参数，合法的模型参数为build_fn的参数，注意：‘build_fn’应提供其参数的默认值。所以我们不传递任何值给sk_params也可以创建一个分类器/回归器。

sk_params还接受用于调用fit，predict，predict_proba和score方法的参数，如nb_epoch，batch_size等。这些用于训练或预测的参数按如下顺序选择：

传递给fit，predict，predict_proba和score的字典参数

传递个sk_params的参数

keras.models.Sequential，fit，predict，predict_proba和score的默认值

当使用scikit-learn的grid_search接口时，合法的可转换参数是你可以传递给sk_params的参数，包括训练参数。即，你可以使用grid_search来搜索最佳的batch_size或nb_epoch以及其他模型参数。

以上内容为大家介绍了Python机器学习之使用Keras进行回归预测，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。