我使用Keras构建了一个解决回归问题的模型。我希望对这个模型进行超参数优化。我使用了val_mean_absolute_error作为评估指标。在示例中，仅涵盖了分类问题（可在https://github.com/maxpumperla/hyperas查看）

validation_acc = np.amax(result.history['val_acc']) print('Best validation acc of epoch:', validation_acc)return {'loss': -validation_acc, 'status': STATUS_OK, 'model': model}

如何将这段代码调整为用于回归问题（使用val_mean_absolute_error作为评估指标）？

回答：

对于回归问题，我们通常不定义单独的评估指标，而是直接使用损失函数来评估模型性能（越低越好）；因此，假设您使用mae作为损失函数，并且已经编译了您的模型，如下所示：

model.compile(loss='mae', optimizer={{choice(['rmsprop', 'adam', 'sgd'])}})

您应该这样修改链接示例中的代码：

#获取训练周期中最低的验证损失validation_loss = np.amin(result.history['val_loss']) print('Best validation loss of epoch:', validation_loss)return {'loss': validation_loss, 'status': STATUS_OK, 'model': model}

确实有些人在类似情况下会添加metrics=['mae']的编译参数，但这是不必要的。