结合GridSearchCV、Pipeline时Keras Functional模型predict调用报错

该报错与Pipeline实例本身无关，根因是TensorFlow 2.6及以上版本移除了tf.keras.Model（包含Functional结构模型）的predict_classes方法。你使用的KerasClassifier属于旧版本scikit-learn兼容包装器，它的predict方法默认会调用底层Keras模型的predict_classes获取分类结果，而你用的Functional结构模型不存在该方法，因此抛出属性错误。

可选用以下任意一种方式解决：

• 方案一：调用predict_proba后手动转换分类结果
  二分类场景下直接替换cv.predict(X_test)的代码即可：

  # 获取所有样本的分类概率
  y_pred_proba = cv.predict_proba(X_test)
  # 以0.5为阈值划分类别，可根据实际需求调整阈值
  y_predicted = (y_pred_proba[:, 1] >= 0.5).astype(int)
  

  该方案无需修改原有封装逻辑，还可灵活调整分类阈值适配不平衡数据集等特殊场景。

• 方案二：自定义兼容新版TensorFlow的分类器包装器
  如果你需要保留scikit-learn风格的predict调用逻辑，可重写KerasClassifier的predict方法：

  from tensorflow.keras.wrappers.scikit_learn import KerasClassifier as BaseKerasClassifier
  
  class CustomKerasClassifier(BaseKerasClassifier):
      def predict(self, x, **kwargs):
          proba = self.model.predict(x, verbose=0)
          if proba.shape[-1] > 1:
              return proba.argmax(axis=-1)
          return (proba >= 0.5).astype(int).reshape(-1)
  

  后续将原有代码中的KerasClassifier替换为CustomKerasClassifier，即可正常调用cv.predict(X_test)获取分类结果。

内容的提问来源于stack exchange，提问作者Chrissi.k