KerasRegressor报错ValueError:无法识别loss标识符的原因排查

错误原因 #

这个ValueError: could not interpret identifier: loss错误的核心是Scikeras与Keras的指标处理逻辑冲突：

• 你在build_model函数中已经通过model.compile(optimizer='adam', loss='mean_squared_error')指定了损失函数
• 同时在初始化KerasRegressor时又传递了metrics=['mean_squared_error']参数
• Scikeras内部会自动将模型的损失函数（loss）加入到监控指标列表中，但Keras并不把loss视为可识别的metric标识符，因此触发解析错误。

解决方法 #

两种可行修复方案，任选其一即可：

方案1：移除KerasRegressor的metrics参数 #

既然后续会用Scikit-learn的mean_squared_error手动评估模型，无需在KerasRegressor中指定监控指标。修改代码如下：

# 原代码
# model = KerasRegressor(model=build_model, epochs=100, batch_size=10, verbose=0, metrics=['mean_squared_error'])

# 修改后
model = KerasRegressor(model=build_model, epochs=100, batch_size=10, verbose=0)

方案2：将metrics移到模型compile步骤中 #

如果需要在训练过程中监控指标，把metrics参数放在build_model的model.compile里，而非KerasRegressor的参数中：

def build_model():
    input_shape = X_train_preprocessed.shape[1]
    model = Sequential([
        Input(shape=(input_shape,)),
        Dense(128, activation='relu'),
        Dense(64, activation='relu'),
        Dense(1)
    ])
    # 在这里添加metrics参数
    model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_squared_error'])
    return model

# 移除KerasRegressor中的metrics参数
model = KerasRegressor(model=build_model, epochs=100, batch_size=10, verbose=0)

验证修改 #

修改后重新运行代码，模型会正常训练，后续的RMSE计算也能正常执行。

内容的提问来源于stack exchange，提问作者duane gadama