web-dev-qa-db-fra.com

Pourquoi est-ce que j'obtiens AttributeError: l'objet 'KerasClassifier' n'a pas d'attribut 'modèle'?

C'est le code et j'obtiens l'erreur dans la dernière ligne seulement qui est y_pred = classifier.predict(X_test). L'erreur que je reçois est AttributeError: 'KerasClassifier' object has no attribute 'model'

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn import datasets
from sklearn import preprocessing
from keras.utils import np_utils

# Importing the dataset
dataset = pd.read_csv('Data1.csv',encoding = "cp1252")
X = dataset.iloc[:, 1:-1].values
y = dataset.iloc[:, -1].values

# Encoding categorical data
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X_0 = LabelEncoder()
X[:, 0] = labelencoder_X_0.fit_transform(X[:, 0])
labelencoder_X_1 = LabelEncoder()
X[:, 1] = labelencoder_X_1.fit_transform(X[:, 1])
labelencoder_X_2 = LabelEncoder()
X[:, 2] = labelencoder_X_2.fit_transform(X[:, 2])
labelencoder_X_3 = LabelEncoder()
X[:, 3] = labelencoder_X_3.fit_transform(X[:, 3])
onehotencoder = OneHotEncoder(categorical_features = [1])
X = onehotencoder.fit_transform(X).toarray()
X = X[:, 1:]

# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)

# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Creating the ANN!
# Importing the Keras libraries and packages
import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
def build_classifier():
    # Initialising the ANN
    classifier = Sequential()
    # Adding the input layer and the first hidden layer
    classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu', input_dim = 10))

    classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu'))

    classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
    classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
    return classifier

classifier = KerasClassifier(build_fn = build_classifier, batch_size = 10, epochs = 2)
accuracies = cross_val_score(estimator = classifier, X = X_train, y = y_train, cv = 1, n_jobs=1)
mean = accuracies.mean()
variance = accuracies.std()

# Predicting the Test set results
import sklearn
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

# Predicting new observations
test = pd.read_csv('test.csv',encoding = "cp1252")
test = test.iloc[:, 1:].values
test[:, 0] = labelencoder_X_0.transform(test[:, 0])
test[:, 1] = labelencoder_X_1.transform(test[:, 1])
test[:, 2] = labelencoder_X_2.transform(test[:, 2])
test[:, 3] = labelencoder_X_3.transform(test[:, 3])
test = onehotencoder.transform(test).toarray()
test = test[:, 1:]
new_prediction = classifier.predict_classes(sc.transform(test))
new_prediction1 = (new_prediction > 0.5)
pythonmachine-learningscikit-learndeep-learningkeras
8
Vijay

Parce que vous n'avez pas encore installé le classifier. Pour que classifier ait la variable de modèle disponible, vous devez appeler

classifier.fit(X_train, y_train)

Bien que vous ayez utilisé cross_val_score() sur classifier et découvert des précisions, mais le point principal à noter ici est que cross_val_score Clonera le modèle fourni et les utilisera pour plis de validation croisée. Votre estimateur d'origine classifier est donc intact et non formé.

Vous pouvez voir le fonctionnement de cross_val_score Dans mon autre réponse ici

Mettez donc la ligne mentionnée ci-dessus juste au-dessus de la ligne y_pred = classifier.predict(X_test) et vous êtes tous prêts. J'espère que cela le rend clair.

18
Vivek Kumar

Vous obtenez l'erreur parce que vous n'avez pas réellement formé le modèle renvoyé à partir de KerasClassifier qui est un wrapper Scikit-learn pour utiliser les fonctions Scikit-learn.

Vous pouvez par exemple faire une GridSearch (comme vous le savez peut-être car le code semble provenir du cours Udemy ML/DL):

def build_classifier(optimizer):
    classifier = Sequential()
    classifier.add(Dense(units = 6, kernel_initializer = 'uniform', 
        activation = 'relu', input_dim = 11))
    classifier.add(Dense(units = 6, kernel_initializer = 'uniform', 
        activation = 'relu'))
    classifier.add(Dense(units = 1, kernel_initializer = 'uniform', 
        activation = 'sigmoid'))
    classifier.compile(optimizer = optimizer, loss = 
        'binary_crossentropy', metrics = ['accuracy'])
    return classifier

classifier = KerasClassifier(build_fn = build_classifier)
parameters = {'batch_size': [25, 32],
          'epochs': [100, 500],
          'optimizer': ['adam', 'rmsprop']}
grid_search = GridSearchCV(estimator = classifier,
                       param_grid = parameters,
                       scoring = 'accuracy',
                       cv = 10)
grid_search = grid_search.fit(X_train, y_train)

Si vous n'avez pas besoin de la fonctionnalité Scikit-learn, je suggère d'éviter le wrapper et de simplement construire votre modèle avec:

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
…

puis entraînez-vous avec:

model.fit( … )
5
petezurich