Python 如何将sklearn目标变压器（用于输出变量）添加到keras神经网络管道？

我想在输入变量和输出变量的转换上使用Keras构建一个神经网络，使用sklearn管道（这样我就可以执行CV）。我试图使用TransformedTargetRegressor，但我的均方误差对我来说没有意义

这是我的代码，改编自Sklearn的TransformedTargetGressor示例，使用Boston Housing数据集并添加一个简单的神经网络来缩放输入变量（X）

设置（此部分很好）：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import load_boston
from sklearn.compose import TransformedTargetRegressor
from sklearn.model_selection import train_test_split

#load data
X, y = load_boston(return_X_y=True)

#define simple neural network
def simple_nn():
    model = Sequential()
    model.add(Dense(13, input_dim=13, activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer = 'adam')
    return model

#create pipeline for input variables (X) preprocessing
estimators = []
estimators.append(('standardize', StandardScaler()))
estimators.append(('mlp', KerasRegressor(build_fn=simple_nn, epochs=100, batch_size=5, verbose=True)))
pipeline = Pipeline(estimators)

#Section in question
transformer = MinMaxScaler()
model = TransformedTargetRegressor(regressor=pipeline,
                                   transformer=transformer)
results = cross_val_score(model, X, y, cv=KFold(n_splits=5))

我正在尝试执行以下操作（有问题的部分）：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import load_boston
from sklearn.compose import TransformedTargetRegressor
from sklearn.model_selection import train_test_split

#load data
X, y = load_boston(return_X_y=True)

#define simple neural network
def simple_nn():
    model = Sequential()
    model.add(Dense(13, input_dim=13, activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer = 'adam')
    return model

#create pipeline for input variables (X) preprocessing
estimators = []
estimators.append(('standardize', StandardScaler()))
estimators.append(('mlp', KerasRegressor(build_fn=simple_nn, epochs=100, batch_size=5, verbose=True)))
pipeline = Pipeline(estimators)

#Section in question
transformer = MinMaxScaler()
model = TransformedTargetRegressor(regressor=pipeline,
                                   transformer=transformer)
results = cross_val_score(model, X, y, cv=KFold(n_splits=5))

得出的交叉验证分数为：

数组（[0.61321517,0.35811762，-2.67674546，-0.30623006，-0.38187424]）

---

我特别关心中间的数字，因为y目标应该从0缩放到1，所以-2.67的均方误差似乎是错误的。我做错了什么？

均方误差是平方的，因此不可能是负的。 这意味着你的分数不是均方误差

文档告诉我们，如果未定义，计分器默认为估计器计分器：

“如果没有，则使用估计器的默认记分器（如果可用）

在您的情况下，使用的是TransformedTargetRegressor回归器。它告诉我们其默认分数：

返回预测的确定系数R^2

因此，您显示的值是R2分数。如果您的模型表现不佳，则可能为负值

---

作为一个好的实践，你应该始终定义你想要使用的计分器，以避免依赖错误的计分器。

明白了，这是有意义的。如果在上面的

交叉值评分
是
模型
，并且
模型
本身是一个
转换的计分器，我如何获得均方误差评分e> 以管道作为回归因子？是否只是在行中填写？：
结果=交叉值（模型，X，y，cv=KFold（n_分割=5），评分=？）
一般来说，设置是否正确？我相信这可能是
评分
，尽管我仍然不确定这在转换方面是否正确。是的，你应该在
你的交叉值分数中添加
评分='neg\u均方误差'
，以获得MSE。如果你是不确定您的转换，您应该使用受控输入数据独立测试每个步骤，例如输入范围（10）。您可以访问安装管道的不同步骤，如dict（管道['Standardized'））。谢谢！感谢您的帮助和时间。我想我明白了。