machine-learning - 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，因此我想了解我的做法是否正确。

我已经转换了大部分代码，但是我在 sklearn.svm SVC 分类器转换方面遇到了问题。这是现在的样子:

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

super 简单，对吧。但是，我在 Keras 中找不到 SVC 分类器的模拟。所以，我尝试过的是:

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，我认为这无论如何都是不正确的。您能帮我在 Keras 中找到 sklearn 的 SVC 分类器的替代方案吗？

谢谢。

Answer 1

如果您正在制作分类器，则需要 squared_hinge 和 regularizer，以获得完整的 SVM 损失函数，如 here. 所示。因此，在执行激活之前，您还需要打破最后一层以添加正则化参数，我已在此处添加了代码。

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 中实现用于二元分类，因此如果您正在研究二元分类模型，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)

如果您无法理解本文或对代码有疑问，请随时发表评论。不久前我遇到了同样的问题，这个 GitHub 线程帮助我理解，也许也经历过它，这里的一些想法直接来自这里 https://github.com/keras-team/keras/issues/2588