Python 当输出变量连续时，我们如何调整神经网络的超参数？

我一直在寻找使用Python中的TensorFlow调优ANN模型超参数的资源，到目前为止，我遇到的每个解决方案/讨论都涉及分类输出数据集的分类问题，并使用简单的逻辑回归模型或通过sklearn进行的GridSearch（到目前为止，仅涉及二进制输出的那些）.

然而，我的问题有一个连续的输出，我试图实现GridSearch，但我遇到了一个错误：
“ValueError:不支持连续”

我不确定当输出变量连续时GridSearch是否工作，但即使它不工作，也必须有一些其他函数可以帮助我优化参数

在这个场景中，我们需要规范化输入和输出变量吗？对于连续输入和输出变量，最好的方法是什么

来自keras.wrappers.scikit\u了解导入KerasClassifier
从sklearn.model_选择导入GridSearchCV
从keras.models导入顺序
从keras.layers导入稠密
def构建_分类器（优化器）：
分类器=顺序（）
add（稠密（10，input\u dim=5，activation='relu'，kernel\u initializer=“uniform”））
add（稠密（5，激活='relu'，内核\初始化器='uniform'））
add（稠密（1，激活='linear'，内核\初始值设定项='uniform'））
compile（优化器=优化器，损耗='mse'，度量=['accurity']）
返回分类器
分类器=KerasClassifier（build\u fn=build\u分类器）
参数={'batch_size'：[25,32]，
“时代”：[100500]，
'优化器'：['adam'，'rmsprop']}
网格搜索=网格搜索cv（估计器=分类器，参数网格=参数，评分=准确度，cv=3）
网格搜索=网格搜索.fit（X\u列，y\u列）
最佳参数=网格搜索。最佳参数_
最佳精确度=网格搜索。最佳分数_

首先，在函数中定义您的模型（您也可以定义为带有keras子类API的类），然后，由于您的输出是一个连续值，因此调用keras scikit learn wrapper

KerasRegressionor

以使用GridSearchCV或RandomizedSearchCV

阅读以更好地理解分类和回归问题之间的差异

def build_model(n_neurons=30, learning_rate=1e-3, input_shape=[8]):
    model = keras.models.Sequential()
    model.add(keras.layers.InputLayer(input_shape))
    model.add(keras.layers.Dense(n_neurons, activation="relu"))
    model.add(keras.layers.Dense(1))
    optimizer = keras.optimizers.SGD(lr=learning_rate)
    model.compile(loss="mse", optimizer=optimizer)
    return model

keras_reg = keras.wrappers.scikit_learn.KerasRegressor(build_model)
params_distrib = { #  params you want try with }
rnd_search_cv = RandomizedSearchCV(keras_reg, params_distrib, n_iter=5, cv=3)
rnd_search_cv.fit(x_train, y_train, epochs=50, 
                    validation_data=(x_valid, y_valid))   

---

请共享所有相关代码/数据。见：，@AMC我这样做了。很抱歉给您带来不便。您正在使用包装器KerasClassifier，您应该改用KerasRegressionor。@非常感谢您。我将相应地更改代码。