使用LSTM与GRU搭建Stacking集成时提示Sequential应为回归器报错如何解决

ValueError: The estimator Sequential should be a regressor 报错是因为Scikit-learn的StackingRegressor要求所有传入的基学习器必须符合Scikit-learn的评估器接口规范，你直接传入Keras构建的Sequential模型，Sklearn无法识别它的任务类型，也无法调用统一的fit、predict方法，所以校验不通过。

1. 包装Keras模型为Sklearn兼容格式 #

使用Keras自带的KerasRegressor（回归任务）或KerasClassifier（分类任务）将你的LSTM、GRU模型封装为符合Sklearn接口的评估器。
首先导入依赖：

from tensorflow.keras.wrappers.scikit_learn import KerasRegressor

将模型构建逻辑封装为独立函数，再实例化包装器：

# 封装LSTM模型构建逻辑
def build_lstm_model():
    LSTMmodel = Sequential()
    LSTMmodel.add(Bidirectional(LSTM(100, input_shape=(1, lookback))))
    LSTMmodel.add(Dense(100, activation='relu'))
    LSTMmodel.add(Dense(50, activation='relu'))
    LSTMmodel.add(Dense(1, activation='sigmoid'))
    LSTMmodel.compile(loss='mean_absolute_error', optimizer='adam')
    keras.backend.set_value(LSTMmodel.optimizer.learning_rate, 0.0007)
    return LSTMmodel

# 包装为Sklearn兼容的回归器
wrapped_lstm = KerasRegressor(
    build_fn=build_lstm_model, 
    epochs=10, 
    batch_size=5000, 
    verbose=1
)

# GRU模型按同样逻辑封装即可
def build_gru_model():
    # 此处填写你的GRU模型构建代码
    pass
wrapped_gru = KerasRegressor(
    build_fn=build_gru_model, 
    epochs=10, 
    batch_size=5000, 
    verbose=1
)

2. 修正Stacking模型代码 #

注意两个问题：

1. 基学习器替换为包装后的模型
2. StackingRegressor是回归任务用的集成器，最终学习器不能用分类器LogisticRegression，如果是回归任务请替换为回归模型（比如线性回归）；如果你的任务实际是二分类，请将StackingRegressor改为StackingClassifier，同时模型包装用KerasClassifier。
   修正后的参考代码（回归场景）：

from sklearn.ensemble import StackingRegressor
from sklearn.linear_model import LinearRegression

estimator_list = [('GRUmodel', wrapped_gru), ('LSTMmodel', wrapped_lstm)]
stack_model = StackingRegressor(
    estimators=estimator_list, 
    final_estimator=LinearRegression()
)
stack_model.fit(X_train, Y_train.ravel())

其他注意事项 #

• 确保输入模型的数据集维度符合RNN要求的三维格式（样本数，时间步，特征数），避免维度不匹配报错。
• 如果是二分类场景，输出层sigmoid激活无需修改，只需将包装器改为KerasClassifier，集成器改为StackingClassifier，最终学习器可以保留LogisticRegression。

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