Keras - Comment effectuer une prédiction à l'aide de KerasRegressor?

Je suis nouveau à l'apprentissage de la machine, et je suis en train de gérer Keras pour effectuer des tâches de régression. J'ai mis en œuvre ce code, basé sur cette exemple.

X = df[['full_sq','floor','build_year','num_room','sub_area_2','sub_area_3','state_2.0','state_3.0','state_4.0']]
y = df['price_doc']

X = np.asarray(X)
y = np.asarray(y)

X_train, X_test, Y_train, Y_test = train_test_split(X, y, test_size=.2)
def baseline_model():
    model = Sequential()
    model.add(Dense(13, input_dim=9, kernel_initializer='normal', 
        activation='relu'))
    model.add(Dense(1, kernel_initializer='normal'))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=100, verbose=False)
kfold = KFold(n_splits=10, random_state=seed)
results = cross_val_score(estimator, X_train, Y_train, cv=kfold)
print("Results: %.2f (%.2f) MSE" % (results.mean(), results.std()))

prediction = estimator.predict(X_test)
accuracy_score(Y_test, prediction)

Lorsque j'exécute le code, j'obtiens cette erreur:

AttributeError: 'KerasRegressor' object has no attribute 'model'

Comment pourrais-je correctement "insérer" le modèle en KerasRegressor?

  • Pouvez-vous poster le plein de trace de pile?
  • où en êtes-vous côté de l'estimateur?
  • cross_val_score s'adapte et le score de l'estimateur.
  • oui, c'est fait, mais à predict sur un autre, il a besoin de fit le modèle de nouveau. pour cette ligne prediction = estimator.predict(X_test)
  • J'ai ajouté le reste du code. Est-il exact prediction = estimator.predict(X_test) ?
  • veuillez cocher la réponse.
  • Aah oui. J'ai négligé ce détail. Mon mauvais.
  • S'il vous plaît ajouter le full stack trace de l'erreur, de sorte que nous connaissons dans lequel la ligne de cette erreur se produit. Jusqu'alors, nous sommes incapables de l'aider.
  • En fait quelle est la version de keras et scikit-learn utilisez-vous?
  • Je viens d'installer Keras et Scikit-learn, j'ai les versions les plus récentes

InformationsquelleAutor Simone | 2017-05-23
  1. 15

    vous avez pour s'adapter à l'estimateur de nouveau après cross_val_score pour évaluer les nouvelles données:

    estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=100, verbose=False)
kfold = KFold(n_splits=10, random_state=seed)
results = cross_val_score(estimator, X_train, Y_train, cv=kfold)
print("Results: %.2f (%.2f) MSE" % (results.mean(), results.std()))

estimator.fit(X, y)
prediction = estimator.predict(X_test)
accuracy_score(Y_test, prediction)

    De travail version d'Essai:

    from sklearn import datasets, linear_model
from sklearn.model_selection import cross_val_score, KFold
from keras.models import Sequential
from sklearn.metrics import accuracy_score
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
seed = 1

diabetes = datasets.load_diabetes()
X = diabetes.data[:150]
y = diabetes.target[:150]

def baseline_model():
    model = Sequential()
    model.add(Dense(10, input_dim=10, activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model


estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=100, verbose=False)
kfold = KFold(n_splits=10, random_state=seed)
results = cross_val_score(estimator, X, y, cv=kfold)
print("Results: %.2f (%.2f) MSE" % (results.mean(), results.std()))

estimator.fit(X, y)
prediction = estimator.predict(X)
accuracy_score(y, prediction)
    • J'ai essayé cette solution, mais j'obtiens le même résultat: AttributeError: 'KerasRegressor' object has no attribute 'model'
    • avez-vous cette ligne: estimator.fit(X, y) ?
    • Oui, j'ai ajouté cette ligne juste au-dessus de prediction = estimator.predict(X_test)
    • J'ai également ajouté un travail de test de la version que vous pouvez simplement exécuter et vérifier. Pouvez-vous s'il vous plaît poster le full stack trace de l'erreur, de sorte que nous savons où est l'erreur?
    • Le accuracy_score() ne sera pas valable pour la régression de la tâche.
    • Sûr que cela ne, j'ai juste gardé là pour garder similaire à l'OP de la question. 🙂
    • J'ai juste redémarré le noyau, et maintenant Abhisek est la solution qui semble fonctionner. Que pourrais-je utiliser à la place de accuracy_score()?
    • La ` régression ‘neg_mean_absolute_error métriques.mean_absolute_error ‘neg_mean_squared_error métriques.mean_squared_error ‘neg_median_absolute_error métriques.median_absolute_error ‘r2’ mesures.r2_score`
    • si la réponse résolu votre problème, veuillez envisager d'accepter.
    • Pourriez-vous m'aider à trouver une solution adaptée pour remplacer accuracy_score()?
    • Abhishek Thakur, je n'arrive pas à comprendre pourquoi l'estimateur.ajustement(X,y) est nécessaire après la formation, faire de cette commande de train le modèle d'un autre temps ou quoi? Merci!
    • l'estimateur.ajustement(X, y) doit être appelée sur le x_train et y_train ? sinon, l'estimateur.prévoir(X) va utiliser le X comme des données qui sont laready vu lors de l'essayage.
    • Le Kfolds fonction de modifier l'estimateur des modèle ou tout simplement de fournir un score?
    • KFold, il suffit de fournir des indices de train et des données de test. cross_val_score clones de l'estimateur, train copie clonée sur les données d'apprentissage de chaque pli et de fournir score d'eux. Afin de ne pas altérer le principal estimateur (qui est envoyé en elle) de toute façon.
    • Grâce Vivek. Alors, comment pouvons-nous utiliser KFolds pour former notre modèle ANN ou est-ce la seule fonction d'un score. Souhaitez-vous utiliser cette ou de toute autre méthode de validation croisée?

    InformationsquelleAutor Abhishek Thakur
  2. 3

    Pour l'évaluation de la performance de votre système, vous pouvez calculer l'erreur comme suit.
    Vous aussi n'avez pas besoin d'appeler KFold et cross_val_score.

    import numpy as np
from sklearn import datasets, linear_model
from sklearn.model_selection import cross_val_score, KFold
from keras.models import Sequential
from sklearn.metrics import accuracy_score
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
seed = 1

diabetes = datasets.load_diabetes()
X = diabetes.data[:150]
y = diabetes.target[:150]

def baseline_model():
    model = Sequential()
    model.add(Dense(10, input_dim=10, activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model


estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=100, verbose=False)
estimator.fit(X, y)
prediction = estimator.predict(X)

train_error =  np.abs(y - prediction)
mean_error = np.mean(train_error)
min_error = np.min(train_error)
max_error = np.max(train_error)
std_error = np.std(train_error)
    InformationsquelleAutor Noosh
  3. 1

    Au lieu de kerasRegressor, vous pouvez utiliser directement le modèle lui-même.
    Ces deux extraits du code donner exactement les mêmes résultats:

    estimator = KerasRegressor(build_fn=baseline_model)
estimator.fit(X, y, nb_epoch=100, batch_size=100, verbose=False, shuffle=False)
prediction = estimator.predict(X)


model = baseline_model()
model.fit(X, y, nb_epoch=100, batch_size=100, verbose=False, shuffle=False)
prediction = model.predict(X)

    Veuillez noter que le shuffle argument de l'ajustement() fonctionne pour les deux kerasRegressor et le modèle doit être Faux. De plus, pour avoir le corrigé de l'état initial et d'obtenir des résultats reproductibles, vous devez ajouter ces lignes de code au début de votre script:

    session = K.get_session()
init_op = tf.group(tf.tables_initializer(),tf.global_variables_initializer(), tf.local_variables_initializer())
session.run(init_op)
np.random.seed(1)
tf.set_random_seed(1)
    InformationsquelleAutor Noosh