使用keras模型和sklearn库做机器学习任务

keras是python中比较流行的深度学习库，但是keras本身关注的是深度学习。而python中的scikit-learn库是建立在Scipy上的，有着比较有效的数值计算能力。sklearn是一个具有全特征的通用性的机器学习库，它提供了很多在深度学习中可以用到的工具。举个例子：

1.可以用sklearn中的k-fold交叉验证方法来对模型进行评估

2.模型参数的估计和寻找

Keras提供了深度学习模型的简便包装，可以在sklearn中被用来做分类和回归。在本片文章中，我们举这么一个例子：使用Keras建立神经网络分类器——KerasClassifier，并在scikit-learn库中使用这个分类器来对UCI的Pima Indians数据集进行分类。

利用Keras进行分类或者回归，主要是利用keras中的两个类，一个是KerasClassifier，另一个是KerasRegressor。这两个类带有参数build_fn。build_fn是你创建的keras模型的名称。在创建一个keras模型时，务必要把完成模型的定义，编译和返回。在这里我们假设我们建立的模型叫做create_model()

def create_model():
# create model
model = Sequential()
model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
return model

将建立好的模型通过参数build_fn传递到KerasClassifier中，并且定义其他的参数选项nb_epoch=150,batch_size=10.KerasClassifier会自动调用fit方法。

在sklearn中，我们使用它cross_validation的包中的StratifiedKFold来进行10折交叉验证，使用cross_val_score来对模型进行评价。

kfold = StratifiedKFold(y=Y, n_folds=10, shuffle=True, random_state=seed)
results = cross_val_score(model, X, Y, cv=kfold)