Grid -Such -Scikeras -Fehler: 'Super' Objekt hat kein Attribut '__Sklearn_Tags __' ⇐ Python

[Anonymous]

Ich versuche, eine Rasterforschung in meinem Pycharm -Jupyter -Notizbuch auszuführen. Diese Frage wurde zuvor nach randomisierter Studie gestellt, aber keine der Antworten scheint für mich zu funktionieren, und ich verwende eine GridSearch.import boto3
import pandas as pd
import re
import time
from sklearn.model_selection import train_test_split
import concurrent.futures
import tensorflow as tf
from sklearn.preprocessing import normalize
from scikeras.wrappers import KerasClassifier
import numpy as np
from keras.api.models import Sequential
from keras.api.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from keras.api.optimizers import Adam, SGD
from sklearn.model_selection import GridSearchCV
< /code>
Der Code, der so geschrieben wird, dass er die RhridSearch durchführt: < /p>
def create_model2(optimizer='adam', learning_rate=0.001, dropout_rate=0.5,
momentum=0.0, beta_1=0.9):

if optimizer == 'adam':
opt = Adam(learning_rate=learning_rate, beta_1=beta_1)
elif optimizer == 'sgd':
opt = SGD(learning_rate=learning_rate, momentum=momentum)
else:
raise ValueError("Unsupported optimizer")

model = Sequential()
model.add(Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(dropout_rate))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])
return model

model = KerasClassifier(build_fn=create_model2, verbose=0)

param_grid = {
'optimizer': ['adam', 'sgd'],
'learning_rate': [0.001],
'dropout_rate': [0.3],
'batch_size': [64],
'epochs': [5],
'momentum': [0.9],
'beta_1': [0.9]
}

grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=2, n_jobs=1)
grid_result = grid.fit(x_train_normalized, y_train)

print("Best Grid Score: %.4f using %s" % (grid_result.best_score_, grid_result.best_params_)
< /code>
Die Anforderungsdatei: < /p>
pyspark==3.5.1
findspark
seaborn
scipy
pyarrow
pandas
scikit-learn==1.5.2
matplotlib
s3fs
mlxtend
pypdf==5.4.0
reportlab
graphviz
pydotplus
tensorflow==2.16.1
keras==3.9.2
scikeras
< /code>
Fehlerverfolgung: < /p>
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
Cell In[123], line 36
25 param_grid = {
26 'optimizer': ['adam', 'sgd'],
27 'learning_rate': [0.001],
(...) 32 'beta_1': [0.9]
33 }
35 grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=2, n_jobs=1)
---> 36 grid_result = grid.fit(x_train_normalized, y_train)

AttributeError: 'super' object has no attribute '__sklearn_tags__'
< /code>
Wie kann ich den GridSearch -Lebenslauf ausführen, indem ich die oben genannten Snippets ändern? Ich muss den besten Optimierer unter Adam, SGD, RMSProp usw. finden. Für meinen Trainingsdatenrahmen.