我正在尝试将一些旧代码从使用sklearn转换为Keras实现。由于保持相同的操作方式至关重要，我想了解我是否做得正确。
我已经转换了大部分代码，但是在转换sklearn.svm的SVC分类器时遇到了麻烦。目前的情况如下：
from sklearn.svm import SVCmodel = SVC(kernel='linear', probability=True)model.fit(X, Y_labels)非常简单，对吧。然而，我在Keras中找不到SVC分类器的对应物。所以，我尝试了以下方法：
from keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()model.add(Dense(64, activation='relu'))model.add(Dense(1, activation='softmax'))model.compile(loss='squared_hinge', optimizer='adadelta', metrics=['accuracy'])model.fit(X, Y_labels)但是，我认为这完全不对。请问您能帮我找到sklearn中SVC分类器在Keras中的替代方案吗？
谢谢您。
回答：
如果您在制作分类器，您需要使用squared_hinge和regularizer，以获得完整的SVM损失函数，如这里所示。因此，您还需要在执行激活之前拆分最后一层以添加正则化参数，我在这里添加了代码。
这些更改应该会给您带来输出
from keras.regularizers import l2from keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()model.add(Dense(64, activation='relu'))model.add(Dense(1), kernel_regularizer=l2(0.01))model.add(activation('softmax'))model.compile(loss='squared_hinge', optimizer='adadelta', metrics=['accuracy'])model.fit(X, Y_labels)此外，Keras中为二元分类实现了hinge，所以如果您正在处理二元分类模型，请使用下面的代码。
from keras.regularizers import l2from keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()model.add(Dense(64, activation='relu'))model.add(Dense(1), kernel_regularizer=l2(0.01))model.add(activation('linear'))model.compile(loss='hinge', optimizer='adadelta', metrics=['accuracy'])model.fit(X, Y_labels)如果您无法理解文章或对代码有疑问，请随时评论。我之前也遇到过同样的问题，这个GitHub讨论串帮助了我理解，您也可以看看，有些想法直接来自这里 https://github.com/keras-team/keras/issues/2588
