如何在 VotingRegressor 中添加带有 ML 模型的神经网络模型？

问题描述

问题背景

为了构建集成方法，我尝试将 KerasRegressor 模型与 ML 模型（例如 Lasso、Gradient Boost Regressor）结合使用。我使用 sklearn 的 VotingRegressor() 函数对模型进行分组。但是，当我在 KerasRegressor 中添加 VotingRegressor() 模型时，出现以下错误。

ValueError：估计器 KerasRegressor 应该是一个回归器。

我是如何尝试解决问题的？

我通过错误在谷歌上搜索，我只找到了 this page 没有找到解决方案。此外，我试图理解 KerasRegressor 的 document。但是，我不知道为什么会出现错误，因为文档说它是 Keras 的 scikit-learn 回归器 API 的实现。

那么，我的问题

为什么我会收到错误消息，我该如何解决？

任何帮助将不胜感激:)。谢谢！

解决方法

从此 issue 中没有使用 keras 的解决方案，因为 sklearn 包装器未维护并将被删除

幸运的是 scikeras 包解决了这个问题。

我建议您阅读文档或tutorials，但这里有一个使用子类的简单示例：

!pip install scikeras

import scikeras
from tensorflow import keras
from sklearn.datasets import make_regression
from sklearn.ensemble import VotingRegressor
from sklearn.linear_model import LinearRegression

class MLPRegressor(KerasRegressor):

    def __init__(
        self,hidden_layer_sizes=(100,),optimizer="adam",optimizer__learning_rate=0.001,epochs=10,verbose=0,**kwargs,):
        super().__init__(**kwargs)
        self.hidden_layer_sizes = hidden_layer_sizes
        self.optimizer = optimizer
        self.epochs = epochs
        self.verbose = verbose

    def _keras_build_fn(self,compile_kwargs):
        model = keras.Sequential()
        inp = keras.layers.Input(shape=(self.n_features_in_))
        model.add(inp)
        for hidden_layer_size in self.hidden_layer_sizes:
            layer = keras.layers.Dense(hidden_layer_size,activation="relu")
            model.add(layer)
        out = keras.layers.Dense(1)
        model.add(out)
        model.compile(loss="mse",optimizer=compile_kwargs["optimizer"])
        return model

# simple linear regression
r1 = LinearRegression()
# keras model wrapper
r2= MLPRegressor(epochs=20)  


X = (y/2).reshape(-1,1)
y = np.arange(100)

#defining votting classifier
vr = VotingRegressor([('lr',r1),('MLPReg',r2)])

vr.fit(X,y)

VotingRegressor(estimators=[('lr',线性回归（copy_X=True，fit_intercept=True， n_jobs=None,normalize=False)),MLPRegressor(batch_size=None,build_fn=None,callbacks=None,epochs=20,hidden_​​layer_sizes=(100,损失=无，指标=无，模型=无，优化器='adam'， random_state=None，run_eagerly=False，shuffle=True， validation_batch_size=无，validation_split=0.0，详细=0， warm_start=False))],n_jobs=无，权重=无）