将 sklearn.svm SVC 分类器转换为 Keras 实现

Question

我正在尝试将一些旧代码从使用 sklearn 转换为 Keras 实现。由于保持相同的操作方式至关重要，因此我想了解我是否正确执行。

我已经转换了大部分代码，但是我在转换 sklearn.svm SVC 分类器时遇到了问题。这是它现在的样子：

from sklearn.svm import SVC
model = SVC(kernel='linear', probability=True)
model.fit(X, Y_labels)

超级简单，对。但是，我在 Keras 中找不到 SVC 分类器的类比。所以，我试过的是这样的：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='softmax'))
model.compile(loss='squared_hinge',
              optimizer='adadelta',
              metrics=['accuracy'])
model.fit(X, Y_labels)

但是，我认为无论如何都是不正确的。请你帮我从 Keras 的 sklearn 中找到 SVC 分类器的替代品吗？

谢谢。

Answer 1

如果您正在制作分类器，则需要squared_hinge 和regularizer，才能获得完整的SVM 损失函数，如here. 所示，因此您还需要在执行之前打破最后一层添加正则化参数激活，我这里加了代码。

这些更改应该为您提供输出

from keras.regularizers import l2
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dense(1), kernel_regularizer=l2(0.01))
model.add(activation('softmax'))
model.compile(loss='squared_hinge',
              optimizer='adadelta',
              metrics=['accuracy'])
model.fit(X, Y_labels)

另外hinge 在 keras 中实现了二进制分类，所以如果你正在处理二进制分类模型，请使用下面的代码。

from keras.regularizers import l2
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dense(1), kernel_regularizer=l2(0.01))
model.add(activation('linear'))
model.compile(loss='hinge',
              optimizer='adadelta',
              metrics=['accuracy'])
model.fit(X, Y_labels)

如果您无法理解文章或对代码有疑问，请随时发表评论。 前段时间我也遇到了同样的问题，这个 GitHub 帖子帮助我理解了，也许也经历过，这里的一些想法直接来自这里 https://github.com/keras-team/keras/issues/2588

Answer 2

如果您使用的是Keras 2.0，那么您需要更改anand v sing的答案的以下几行。

W_regularizer -> kernel_regularizer

Github link

model.add(Dense(nb_classes, kernel_regularizer=regularizers.l2(0.0001)))
model.add(Activation('linear'))
model.compile(loss='squared_hinge',
                      optimizer='adadelta', metrics=['accuracy'])

或者你可以使用关注

top_model = bottom_model.output
  top_model = Flatten()(top_model)
  top_model = Dropout(0.5)(top_model)
  top_model = Dense(64, activation='relu')(top_model)
  top_model = Dense(2, kernel_regularizer=l2(0.0001))(top_model)
  top_model = Activation('linear')(top_model)
  
  model = Model(bottom_model.input, top_model)
  model.compile(loss='squared_hinge',
                      optimizer='adadelta', metrics=['accuracy'])