Auto-Keras API详解（3）——Supervised类

（一）前 言

Supervised类是Auto-Keras中用于所有监督学习任务的基类，这一节我们将详细介绍它的主要方法和各项参数的意义。

（二）方法详解

（1）fit方法

fit方法用于寻找最优的网络结构并且加以训练，这个函数会基于给定的数据集，为该数据集找到最佳的神经网络结构，数据集的格式为Numpy数据型，训练数据需要通过x_train，y_train传递。

• 参数列表：
  • x：
    一个Numpy数组的实例，包含了训练数据或者是训练数据与验证数据结合的数据
  • y：
    一个Numpy数组的实例，包含了训练数据的标签或者是训练标签与验证标签结合的数据
  • x_test：
    一个Numpy数组，包含了测试数据
  • y_test ：
    一个Numpy数组，包含了测试数据的标签
  • time_limit：
    搜索网络的时间限制

（2）final_fit方法

final_fit方法用于找到最优网络后做最后的训练。

• 参数列表：
  • x：
    一个Numpy数组的实例，包含了训练数据或者是训练数据与验证数据结合的数据
  • y：
    一个Numpy数组的实例，包含了训练数据的标签或者是训练标签与验证标签结合的数据
  • x_test：
    一个Numpy数组，包含了测试数据
  • y_test ：
    一个Numpy数组，包含了测试数据的标签
  • trainer_args：
    一个包含了ModelTrainer结构参数的字典
  • retrain：
    一个布尔值，用来决定是否重新初始化模型的权重参数

（3）predict方法

predict方法用来测试数据的预测值。

• 参数列表：
  • x_test：
    一个Numpy数组，包含了测试数据

（4）evaluate方法

evaluate方法用来在预测值和实际值之间评估模型的精度。

• 参数列表：
  • x_test：
    一个Numpy数组，包含了测试数据
  • y_test ：
    一个Numpy数组，包含了测试数据的标签

（三）总 结

在这一节中，我们介绍了Supervised类的相关方法，有任何的问题请在评论区留言，我会尽快回复，谢谢支持！