Tensorflow 如何在sklearn'内使用Keras模型；阿达博斯特怎么样？

我有一个Keras模型，希望使用sklearn的AdaBootClassifier来增强它。不幸的是，我收到了下面的错误消息，不知道如何解决它。我会很高兴得到任何帮助

ValueError回溯（最近一次调用上次） 在（） ---->1.u分类器。拟合（X，y）

3帧 /usr/local/lib/python3.6/dist-packages/sklearn/employee//u-weight\u-boosting.py in\u-boost\u离散（self、iboost、X、y、sample\u-weight、random\u-state） 602#仅增加正权重 603样本权重*=np.exp（估计器权重*不正确* -->604（样品重量>0）） 605 606返回样本权重、估计器权重、估计器误差

ValueError:形状为（670，）的不可广播输出操作数与广播形状（670670）不匹配

这是我的代码：

导入sklearn
从sklearn.employ导入AdaBoostClassifier
从sklearn.employ导入AdaboosTressor
从sklearn.model\u选择导入列车\u测试\u拆分
从sklearn.dataset导入make_分类
进口干酪
从keras.models导入顺序
从keras.layers导入稠密
从keras.layers导入退出
从keras.wrappers.scikit_学习导入KerasClassifier
从keras.wrappers.scikit_了解导入keras回归器
将matplotlib.pyplot作为plt导入
将numpy作为np导入
输入数学
X_all，y_all=进行分类（n_样本=1000，n_特征=50，
n_信息=20，n_冗余=0，
随机状态=0，随机播放=False，类sep=1）
十、 X_测试，y，y_测试=列车测试分割（X_全部，y_全部，测试尺寸=0.33，随机状态=42）
def simple_model（）：
#创建模型
模型=顺序（）
添加（密集（25，输入尺寸=50，激活=relu'））
model.add（Dropout（0.2，input_shape=（50，））
model.add（密集（100，activation='relu'））
model.add（Dropout（0.2，input_shape=（100，））
model.add（稠密的（50，activation='relu'））
model.add（密集型（1，激活='sigmoid'））
#编译模型
compile（loss='mean_squared_error'，optimizer='adam'，metrics=['accurity']）
回归模型
类别MyKerasClassifier（KerasClassifier）：
def配合（自身、x、y、样品重量=无，**千克）：
y=np.数组（y）
如果len（y.shape）==2且y.shape[1]>1：
self.classes u=np.arange（y.shape[1]）
elif（len（y.shape）==2和y.shape[1]==1）或len（y.shape）==1：
self.classes=np.unique（y）
y=np.searchsorted（self.classes，y）
其他：
raise VALUETERROR（'y:'+str（y.shape）的形状无效））
self.n_类u=len（self.class_u）
如果样本重量不是无：
kwargs[‘样品重量’]=样品重量
打印（类型（样品重量））
返回超级（MyKerasClassifier，self）.fit（x，y，**kwargs）
#返回超级（KerasClassifier，self）.拟合（x，y，样本重量=样本重量）
boosted_分类器=AdaBoostClassifier(
基本估计量=MyKerasClassifier（构建fn=简单模型，历代=5，批量大小=32，详细度=0），
n_估计量=2，
随机_状态=0，
算法=“SAMME”）
增强型_分类器拟合（X，y）

我为自己找到了一个简单的解决方案。我刚刚在MyKerasClassifier类中添加了以下预测函数，它可以正常工作：）

  def predict(self, x, **kwargs):
    kwargs = self.filter_sk_params(Sequential.predict_classes, kwargs)
    classes = self.model.predict_classes(x, **kwargs)
    return self.classes_[classes].flatten()