Scikit learn 当对具有多类输出的NN使用GridSearchCV自定义评分时，KerasClassifier问题

对Keras模型的多类输出使用自定义评分会返回与cross_val_评分或GridSearchCV相同的错误，如下所示（它位于Iris上，因此您可以直接运行它进行测试）：

将numpy导入为np
从sklearn导入数据集
从sklearn.model_selection导入训练测试分割、交叉值得分、GridSearchCV
从keras.models导入顺序
从keras.layers导入稠密
从keras.utils导入到_category
从keras.wrappers.scikit_学习导入KerasClassifier
iris=数据集。加载\u iris（）
X=iris.data
Y=到_分类（iris.target）
X_序列，X_测试，Y_序列，Y_测试=序列测试分割（X，Y，序列大小=0.8，随机状态=1000）
def create_模型（优化器='rmsprop'）：
模型=顺序（）
添加（密集（8，激活=relu'，输入形状=（4，））
model.add（密集型（3，activation='softmax'））
compile（优化器=优化器，
损失class='classifical_crossentropy'，
指标=[‘准确度’]）
回归模型
模型=KerasClassifier（构建=创建模型，
纪元=10，
批次尺寸=5，
详细信息=0）
#结果=交叉评分（模型，X系列，Y系列，评分='precision\u macro'）
param_grid={'optimizer'：（'rmsprop'，'adam'）}
网格=网格搜索CV（模型，
参数网格=参数网格，
return\u train\u score=真，
得分=[“准确度”、“精度宏”、“回忆宏”]，
重新安装（='precision_macro'）
网格结果=网格拟合（X\u序列，Y\u序列）

所以我得到了这个错误

我绕过了整个堆栈，因为您可以通过复制上面的代码来复制它

ValueError:分类指标无法处理多标签指标和二进制目标的混合

当我删除评分参数时，它会起作用

有没有办法避免这种情况，并使f1，精度或任何自定义分数？当然，不用重写我自己的网格搜索代码

谢谢你的帮助

更新：我刚刚找到了解决方法

首先，本文档（）显示了Keras中使用的一个热表示在scikit learn中被解释为多标签

然后查看实现KerasClassifier类的

scikit_learn.py

BaseWrapper类中的fit函数包括以下代码行：

if loss\u name=='categorical\u crossentropy'和len（y.shape）！=2:
y=到_分类（y）

包装器自己进行分类转换

似乎Keras为了避免这个问题，由于scikit学习的多类表示不同，可以采用scikit学习风格的多类

[0,1,2,1,0,2]

，并将其转换为分类表示，仅用于NN模型拟合

因此，在将模型传递给sklearn函数时，我只是尝试删除分类转换

它现在可以工作了

将numpy导入为np
从sklearn导入数据集
从sklearn.model_selection导入训练测试分割、交叉值得分、GridSearchCV
从keras.models导入顺序
从keras.layers导入致密、活化
从keras.utils导入到_category
从keras.wrappers.scikit_学习导入KerasClassifier
iris=数据集。加载\u iris（）
X=iris.data
#Y=到_分类（iris.target，3）
Y=iris.target
X_序列，X_测试，Y_序列，Y_测试=序列测试分割（X，Y，序列大小=0.8，随机状态=1000）
def create_模型（优化器='rmsprop'）：
模型=顺序（）
添加（密集（8，激活=relu'，输入形状=（4，））
model.add（密集型（3，activation='softmax'））
compile（优化器=优化器，
损失class='classifical_crossentropy'，
指标=[‘准确度’]）
回归模型
模型=KerasClassifier（构建=创建模型，
纪元=10，
批次尺寸=5，
详细信息=0）
#结果=交叉评分（模型，X系列，Y系列，评分='precision\u macro'）
param_grid={'optimizer'：（'rmsprop'，'adam'）}
网格=网格搜索CV（模型，
参数网格=参数网格，
return\u train\u score=真，
评分=['precision\u macro'、'recall\u macro'、'f1\u macro']，
重新安装（='precision_macro'）
网格结果=网格拟合（X\u序列，Y\u序列）