使用KerasRegressor执行cross_val_score报错，请求技术支持

问题概述 #

使用keras.wrappers.scikit_learn.KerasRegressor配合sklearn.model_selection.cross_val_score做交叉验证时，出现两个问题：

1. 收到KerasRegressor已弃用的警告，提示改用Sci-Keras；
2. 10次交叉拟合全部失败，触发FitFailedWarning，核心错误为ValueError: The first argument to Layer.call must always be passed.

错误原因 #

1. KerasRegressor参数误用：KerasRegressor要求传入返回Keras模型的构建函数，而非已实例化并编译好的模型对象。直接传入已构建的模型时，KerasRegressor会尝试将其作为函数调用，导致Layer的call方法参数缺失，触发报错。
2. 输入维度不匹配：代码中第二个模型设置了input_dim=2，但实际训练数据X_train的特征维度是1，存在适配问题。
3. API弃用：官方已废弃keras.wrappers.scikit_learn.KerasRegressor，推荐使用Sci-Keras实现。

修复方案 #

方案1：修正原KerasRegressor的使用方式 #

将模型构建逻辑封装为函数，传给KerasRegressor，同时修正输入维度：

import pandas as pd
import numpy as np
import seaborn as sns
from tensorflow import keras
import matplotlib.pyplot as plt
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.preprocessing import MinMaxScaler

# 生成数据
np.random.seed(0) 
m = 100 
X = np.linspace(0, 10, m).reshape(m,1) 
y = X + np.random.randn(m, 1)  

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

scaler = MinMaxScaler()
X_train= scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 数据可视化
print('X维度:', X.shape)
print('y维度:', y.shape)
plt.scatter(X,y)
plt.show()

# 定义模型构建函数
def build_model():
    model = keras.Sequential([
        keras.layers.Dense(4, activation='relu', input_dim=1),  # 修正input_dim为1
        keras.layers.Dense(2, activation='relu'),
        keras.layers.Dense(1, activation='relu')
    ])
    opt = keras.optimizers.Adam()
    model.compile(optimizer=opt, loss='mse')
    return model

# 初始化KerasRegressor，传入构建函数
regressor = KerasRegressor(build_fn=build_model, batch_size=10, verbose=1, epochs=1000)

# 执行交叉验证
val_score = cross_val_score(regressor, X_train, y_train, cv=10)
print("交叉验证得分:", val_score)

方案2：改用Sci-Keras（推荐，解决弃用警告） #

Sci-Keras是官方推荐的替代方案，更贴合sklearn生态：

1. 安装Sci-Keras：pip install scikeras
2. 修改代码中的导入和模型封装：

import pandas as pd
import numpy as np
import seaborn as sns
from tensorflow import keras
import matplotlib.pyplot as plt
from scikeras.wrappers import KerasRegressor  # 替换导入
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.preprocessing import MinMaxScaler

# 生成数据部分同上
np.random.seed(0) 
m = 100 
X = np.linspace(0, 10, m).reshape(m,1) 
y = X + np.random.randn(m, 1)  

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

scaler = MinMaxScaler()
X_train= scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 数据可视化
print('X维度:', X.shape)
print('y维度:', y.shape)
plt.scatter(X,y)
plt.show()

# 定义模型构建函数
def build_model():
    model = keras.Sequential([
        keras.layers.Dense(4, activation='relu', input_dim=1),
        keras.layers.Dense(2, activation='relu'),
        keras.layers.Dense(1, activation='relu')
    ])
    opt = keras.optimizers.Adam()
    model.compile(optimizer=opt, loss='mse')
    return model

# 初始化Sci-Keras的KerasRegressor
regressor = KerasRegressor(model=build_model, batch_size=10, verbose=1, epochs=1000)

# 执行交叉验证
val_score = cross_val_score(regressor, X_train, y_train, cv=10)
print("交叉验证得分:", val_score)

关键注意点 #

• 确保模型输入维度与训练数据特征数一致；
• KerasRegressor（无论原版本还是Sci-Keras）要求传入模型构建逻辑，而非已实例化的模型；
• 优先使用Sci-Keras替代已废弃的原KerasRegressor API，避免后续版本兼容性问题。

内容的提问来源于stack exchange，提问作者fares rs