利用Scikit-Learn为模型自动调参

最新推荐文章于 2024-06-25 06:30:00 发布

Samuel_0

最新推荐文章于 2024-06-25 06:30:00 发布

阅读量1.5k

点赞数 1

分类专栏： Keras 文章标签： Keras 深度学习

本文链接：https://blog.csdn.net/sun___M/article/details/83585179

版权

本文介绍了如何结合Keras的包装类与Scikit-Learn的GridSearchCV进行深度学习模型的参数调优。通过字典形式定义调参参数，利用3折交叉验证评估，针对4个参数的3种可能值，总共训练12个模型，寻找最优参数组合。

摘要由CSDN通过智能技术生成

通过Keras的包装类，借助Scikit-Learn的网格搜索算法评估神经网络模型的不同配置，并找到最佳评估性能的参数组合。

在Scikit-Learn中的GridSearchCV需要一个字典类型的字段作为需要调参的参数，默认采用3折交叉验证的方法来评估算法。

这里有四个参数需要调参，因此会产生4*3个模型。

代码如下：

"""
通过Scikit-learn中的GridSearchCV进行自动调参
耗时很久，很多情况下不常用
"""
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from sklearn.model_selection import GridSearchCV
from keras.wrappers.scikit_learn import KerasClassifier

#构建模型
#这里的参数必须要有init才可以！！！不然会报错。
def create_model(optimizer='rmsprop', init='glorot_uniform'):
    #构建模型
    model = Sequential()
    model.add(Dense(12, input_dim=8, kernel_initializer=init, activation='relu'))
    model.add(Dense(8, kernel_initializer=init, activation='relu'))
    model.add(Dense(1, kernel_initializer=init, activation='sigmoid