TensorFlow早停报错：val_loss指标不可用，求解决方案

1. 直接修复警告问题 #

警告的核心原因是：你在重新训练最佳模型时（grbe=grid.best_estimator_.fit(X_train, y_train)），没有传入验证集参数，导致模型训练时没有验证集，EarlyStopping监控的val_loss指标不存在。

解决方法二选一：

• 方法一：给最佳模型训练加上验证集
  修改最后一行代码，加上model__validation_split=0.2参数，让模型训练时生成验证集，这样val_loss就会被计算：

  grbe = grid.best_estimator_.fit(X_train, y_train, model__validation_split=0.2)
  

• 方法二：仅在网格搜索时启用早停
  如果不需要在最佳模型的二次训练中使用早停，可以把EarlyStopping的回调仅传入网格搜索的训练流程：
  1. 修改KerasClassifier的定义，移除固定的callbacks参数：

     ('model', KerasClassifier(build_fn=create_model, verbose=2))
     

  2. 在grid.fit时传入回调和验证集参数：

     grid_result = grid.fit(X_train, y_train, model__validation_split=0.2, model__callbacks=[early_stopping])
     

  这样二次训练最佳模型时就不会触发早停，也就不会出现警告。

2. 修复潜在的数据泄露问题 #

当前使用sklearn的Pipeline会导致SMOTE被应用到验证集上，这会污染验证数据，影响模型评估的准确性。正确的做法是使用imblearn的Pipeline，它会自动区分采样步骤和转换步骤，仅在训练集上执行SMOTE：

1. 安装imblearn（如果没装）：pip install imbalanced-learn
2. 导入imblearn的Pipeline：

   from imblearn.pipeline import Pipeline
   

3. 保持原有的steps定义不变，只是替换Pipeline的来源即可。

3. 可选：规范指标名称 #

将model.compile中的metrics=['Recall']改为metrics=['recall']，符合Keras指标名称的小写规范，避免可能的名称匹配问题。

内容的提问来源于stack exchange，提问作者xavi