自定义数据集超参数调优模型编译失败：NotImplementedError报错求助

嘿，我帮你找出了代码里导致模型编译失败的几个关键问题，尤其是触发NotImplementedError的核心bug，下面一步步给你讲清楚怎么修复：

核心问题：HyperModel的方法名不符合要求 #

Kerastuner的HyperModel类有个硬性要求——必须实现**build(hp)**方法，因为框架会自动调用这个方法来构建模型。但你写的是buildModel(hp)，框架找不到正确的构建入口，直接抛出了NotImplementedError，这就是反复报错的根源。

其他需要修复的细节问题 #

除了核心方法名的问题，还有几个小错误也会影响模型编译：

• TensorFlow/Keras命名空间不一致：你导入了tensorflow，但代码里却用keras.Sequential这种写法，容易导致命名冲突，建议统一使用tensorflow.keras的完整命名空间。
• 输入形状错误：x_train.shape返回的是(样本数, 特征数)，而模型的input_shape只需要特征维度（比如(10,)如果有10个特征），所以应该改成x_train.shape[1:]。
• 类属性引用错误：循环添加中间层时，你直接用了layers，但这是类的初始化参数，应该用self.layers来引用类实例的属性。
• API拼写/格式错误：
  • Kerastuner的超参数方法都是大写开头，hp.float要改成hp.Float
  • 编译模型时的metrcis是拼写错误，正确写法是metrics
  • 单个损失函数不需要用列表包裹，loss=['sparse_categorical_crossentropy']可以简化为loss='sparse_categorical_crossentropy'
• 超参数命名重复：循环中如果直接用units、dropout这类名称，会导致超参数命名冲突，建议给每个层的超参数加索引后缀（比如units_0、dropout_1）

修复后的完整代码 #

import tensorflow as tf
import pandas as pd
from kerastuner import HyperModel
from tensorflow.keras.layers import Dense, Dropout

# 加载数据
ds = pd.read_csv("datasets/ds1.csv")
# 预处理数据
jaartallen = ds.pop("jaartallen")
y = ds.pop("inkomstenbelasting")
y_train = y.drop(index=[6, 15, 19, 23], axis=0)
y_test = y.loc[[6, 15, 19, 23]]
x_train = ds.drop(index=[6, 15, 19, 23], axis=0)
x_test = ds.loc[[6, 15, 19, 23]]
print(x_train.shape)

# ANN超模型
class ANNHyperModel(HyperModel):
    def __init__(self, input_shape, num_classes, layers):
        self.input_shape = input_shape
        self.num_classes = num_classes
        self.layers = layers
    
    # 核心修改：方法名改为build
    def build(self, hp):
        model = tf.keras.Sequential()
        # 添加输入层
        model.add(Dense(
            units=6,
            input_shape=self.input_shape,
            activation='relu'))
        # 添加中间层
        for i in range(self.layers):
            model.add(
                Dense(
                    units=hp.Int(
                        f'units_{i}',  # 给超参数加索引后缀，避免命名冲突
                        min_value=1,
                        max_value=10,
                        step=5,
                        default=30
                    ),
                    activation=hp.Choice(
                        f'dense_activation_{i}',
                        values=['relu', 'tanh', 'sigmoid'],
                        default='relu'
                    )
                )
            )
            model.add(
                Dropout(
                    rate=hp.Float(
                        f'dropout_{i}',
                        min_value=0.0,
                        max_value=0.5,
                        default=0.25,
                        step=0.05
                    )
                )
            )
        # 添加输出层
        model.add(Dense(self.num_classes, activation='softmax'))
        # 编译模型
        model.compile(
            optimizer=tf.keras.optimizers.Adam(
                hp.Float(
                    'learning_rate',
                    min_value=2E-2,
                    max_value=4E-2,
                    sampling='LOG',
                    default=3E-2)
            ),
            loss='sparse_categorical_crossentropy',
            metrics=['accuracy']
        )
        return model

NUM_CLASSES = 65000
# 修正输入形状：只取特征维度
INPUT_SHAPE = x_train.shape[1:]
LAYERS = 5
hypermodel = ANNHyperModel(num_classes=NUM_CLASSES, input_shape=INPUT_SHAPE, layers=LAYERS)

from kerastuner.tuners import RandomSearch
MAX_TRIALS = 20
EXECUTION_PER_TRIAL = 2
tuner = RandomSearch(
    hypermodel,
    objective='val_accuracy',
    seed=1,
    max_trials=MAX_TRIALS,
    executions_per_trial=EXECUTION_PER_TRIAL,
    directory='random_search',
    project_name='inkomstenbelasting'
)

另外提个小建议：你的NUM_CLASSES设置为65000，看起来更像是回归任务（预测收入数值），但目前用了分类任务的sparse_categorical_crossentropy损失函数和softmax激活。如果是回归任务，建议把输出层改成Dense(1, activation='linear')，损失函数用mean_squared_error，这样更符合任务逻辑。

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