在送入sklearn的GridSearchCV之前，以不同的方式处理训练/交叉验证数据

Question

我正在keras中训练香草神经网络。为了选择最佳的超参数，我想使用scikit-learn API（文档here）。但是，由于我有兴趣预测每个标签的概率，因此我使用以下非常规方法来训练模型：

• 我的数据集中的标签是非负整数。为了训练模型，我根据这些值重复采样以获取正确的损失函数。因此，将带有标签[1, 3, 0]的样本替换为四个样本[1, 0, 0]，[0, 1, 0]，[0, 1, 0]，[0, 1, 0]。
• 在使用这些重复样本训练模型时，为了获得概率矢量（我希望获得），我将在数据集标签中找到的上述非负整数转换为概率矢量，并使用{{ 1}}作为损失函数。上面示例中示例中的标签将替换为categorical cross-entropy。

我想在scikit-learn的[0.25, 0.75, 0]中实现超参数调整。

这是Keras正常工作的部分：

GridSearchCV

还有需要适当修改的sklearn部分：

keras_model = get_model()
# get_model() returns a compiled Keras model
train = repeat_samples(train_data)
test = to_prob_vec(test_data)
keras_model.fit(train[x_cols], train[y_cols])
keras_model.evaluate(test[x_cols], test[y_cols])

我怀疑对sk_model = KerasRegressor(build_fn=get_model()) param_grid = dict(epochs=[10, 20, 30]) grid = GridSearchCV(estimator=sk_model, param_grid=param_grid) grid_result = grid.fit(<what here>) # Following is incorrect because during cross-validation # it has dummy-coded variables instead of probability vectors: # grid_result = grid.fit(train[x_cols], train[y_cols]) （documentation）中的cv参数进行适当的修改将帮助我实现这一目标。我不知道怎么办。