1. Keras 소개
    1. [시작하기] Sequential 모델 가이드
    2. [시작하기] 함수형 API 가이드
    3. [시작하기] FAQ
    4. [모델] Keras의 모델
    5. [모델] 함수형 API
    6. [모델] Sequential
    7. [계층] Keras의 계층
    8. [계층] Core 계층
    9. [계층] 합성곱 계층
    10. [계층] 풀링 계층
    11. [계층] 부분적으로 연결된 계층
    12. [계층] 재발 계층
    13. [계층] 임베딩 계층
    14. [계층] Merge 계층
    15. [계층] 고급 활성화 계층
    16. [계층] 표준화 계층
    17. [계층] 노이즈 계층
    18. [계층] 계층 Wrappers
    19. [계층] 자신만의 Keras 계층 만들기
    20. [전처리] 시퀀스 전처리
    21. [전처리] 텍스트 전처리
    22. [전처리] 이미지 전처리
  2. Metrics
  3. 손실
  4. 최적화기
  5. 활성화
  6. Callbacks
  7. 데이터셋
  8. 애플리케이션
  9. 백엔드 1
  10. 백엔드 2
  11. 백엔드 3
  12. 백엔드 4
  13. 백엔드 5
  14. 초기화기
  15. 정규화기
  16. 제한
  17. 시각화
  18. Scikit-Learn API
  19. 유용한 도구

Scikit-Learn API를 위한 Wrappers

Scikit-Learn 작업의 일부로 keras.wrappers.scikit_learn.py에서 찾을 수 있는 wrappers를 통해 Sequential Keras 모델(하나의 입력만)을 사용할 수 있습니다.

사용 가능한 wrappers는 두 가지가 있습니다:

keras.wrappers.scikit_learn.KerasClassifier(build_fn=None, **sk_params)는 Scikit-Learn 분류기 인터페이스,

keras.wrappers.scikit_learn.KerasRegressor(build_fn=None, **sk_params)는 Scikit-Learn 회귀 인터페이스 입니다.

인수

build_fn 는 Keras 모델을 생성하고 컴파일하고 반환하여 피팅이나 예측에 사용할 수 있도록 합니다. 다음 세 가지 값 중 하나가 build_fn으로 넘겨질 수 있습니다:

  1. 함수
  2. call 메소드를 구현하는 클래스의 인스턴스
  3. None. KerasClassifier나 KerasRegressor 를 물려받은 클래스를 구현한다는 의미입니다. 현재 클래스의 call 메소드는 build_fn의 기본값으로 취급됩니다.

sk_params는 모델 파라미터와 피팅 파라미터 양쪽을 다 받습니다. 허용된 모델 파라미터는 build_fn의 인수입니다. scikit-learn의 다른 모든 예측기와 같이 'build_fn'은 자신의 인수의 기본값을 제공하여 sk_params에 어떤 값도 넘겨주지 않고도 예측기를 만들 수 있습니다.

sk_params는 fit, predict,predict_proba, score 메소드를 호출하여 파라미터를 받을 수도 있습니다(예를 들어, epochs, batch_size). 피팅(예측) 마라미터는 다음과 같은 순서로 선택됩니다:

  1. fit, predict, predict_proba, score 메소드의 인덱스 집합 인수로 넘겨진 값.
  2. sk_params로 넘겨진 값.
  3. keras.models.Sequential의 fit, predict, predict_proba, score 메소드의 기본값.

Scikit-learn의 grid_search API를 사용할 때, 허용된 조정 가능한 파라미터는 피팅 파라미터를 포함해서sk_params로 넘겨줄 수 있는 파라미터입니다. 즉, grid_search를 모델 파라미터를 찾기 위해서 뿐만 아니라 최적의 batch_size 나 epochs를 찾기 위해서 사용할 수 있습니다.

이 문서는 Keras의 Scikit-learn API을 번역한 것입니다.