使用KerasClassifier时遭遇optimizer参数不合法错误求解决

运行代码时触发ValueError: optimizer is not a legal parameter，根本原因是**optimizer不是KerasClassifier的合法初始化参数**，同时代码里build_fn的使用方式也存在错误。

错误原因拆解 #

• KerasClassifier的初始化参数集合中没有optimizer，该参数属于模型构建函数（即baseline_model）的专属参数，不能直接传递给KerasClassifier。
• 原代码中build_fn=baseline_model(x)是直接调用函数并传入数据集，这会导致KerasClassifier无法正确触发模型构建流程，应传递函数本身而非调用后的结果。
• baseline_model的第一个参数X设计冗余，模型输入维度可通过独立参数传递，无需直接传入整个数据集。

修正后的完整代码 #

from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import KFold
from sklearn.model_selection import GridSearchCV, cross_val_score
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from keras.optimizers import Adam
from sklearn.metrics import accuracy_score
import pandas as pd
import numpy as np

# 补全原代码缺失的5折交叉验证定义
cv_5 = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

def baseline_model(input_dim, optimizer='adam', learn_rate=0.1):
    model = Sequential()
    model.add(Dense(100, input_dim=input_dim, activation='relu'))
    model.add(Dense(50, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    # 支持自定义优化器学习率
    if optimizer == 'adam':
        optimizer = Adam(learning_rate=learn_rate)
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])
    return model

def get_probability_labels(x, y, optimizer='adam'):
    all_predictions = []
    # 传递build_fn为函数名，模型参数通过KerasClassifier传入并自动传递给build_fn
    estimator = KerasClassifier(build_fn=baseline_model, 
                                input_dim=x.shape[1],
                                optimizer=optimizer,
                                batch_size=32, 
                                epochs=100, 
                                verbose=0)
    for train_index, test_index in cv_5.split(x, y):
        X_train, X_test = x.iloc[train_index], x.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]

        estimator.fit(X_train, y_train)
        predictions = estimator.predict_proba(X_test)
        predictions = list(predictions[:, 1])
        all_predictions.append(predictions)
    # 循环外统一展平列表，提升效率
    a = [j for i in all_predictions for j in i]
    return a

def add_labels(real_data, synthetic_data):
    # 真实数据标记0，合成数据标记1
    data = pd.concat([real_data, synthetic_data], ignore_index=True)
    o_labels = np.zeros((len(real_data)), dtype=int)
    s_labels = np.ones((len(synthetic_data)), dtype=int)
    labels = np.concatenate([o_labels, s_labels], axis=0)
    data['class'] = labels
    x = data.drop('class', axis=1)
    y = data['class']
    return x, y

def main():
    # 假设df、df_synth为已定义的真实/合成数据集
    X, Y = add_labels(df, df_synth)
    probability_labels = get_probability_labels(X, Y)
    print(probability_labels)

关键修正点 #

• 重构baseline_model，将输入维度改为独立参数input_dim，通过x.shape[1]动态传入，避免直接传递数据集。
• KerasClassifier初始化时，build_fn传递函数名baseline_model，而非调用后的模型对象。
• 将optimizer作为KerasClassifier的参数传入，它会自动传递给baseline_model作为函数参数。
• 补全原代码缺失的cv_5交叉验证对象定义，避免循环报错。
• 将列表展平操作移到循环外，减少重复计算。

内容的提问来源于stack exchange，提问作者Carola