用SKORCH和PyCaret求解回归问题

Question

使用奇妙的文章https://towardsdatascience.com/pycaret-skorch-build-pytorch-neural-networks-using-minimal-code-57079e197f33，有一个很好的例子，使用SKORCH和PyCaret来处理分类问题，但是我在处理回归问题时遇到了困难。

import pycaret
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
from skorch import NeuralNetRegressor
from sklearn.pipeline import Pipeline
from skorch.helper import DataFrameTransformer
from pycaret.regression import *
from pycaret.datasets import get_data

data = get_data('boston')
target = "medv"

reg1 = setup(data = data, 
            target = target,
            train_size = 0.8,
            fold = 5,
            session_id = 123,
            silent = True)

class RegressorModule(nn.Module):
    def __init__(
            self,
            num_units=100,
            nonlin=F.relu,
    ):
        super(RegressorModule, self).__init__()
        self.num_units = num_units
        self.nonlin = nonlin

        self.dense0 = nn.Linear(14, num_units)
        self.nonlin = nonlin
        self.dense1 = nn.Linear(num_units, 10)
        self.output = nn.Linear(10, 1)

    def forward(self, X, **kwargs):
        X = self.nonlin(self.dense0(X))
        X = F.relu(self.dense1(X))
        X = self.output(X)
        return X

net_regr = NeuralNetRegressor(
    RegressorModule,
    max_epochs=20,
    lr=0.1,
    device='cuda'
)

nn_pipe = Pipeline(
    [
        ("transform", DataFrameTransformer()),
        ("net", net_regr),
    ]
)

skorch_model = create_model(nn_pipe)

但它有以下错误：

ValueError:目标数据不应该是1维的，而是有2维的，第二维度的大小与回归目标的数量(通常是1)相同。请将目标数据重塑为二维数据(例如y= y.reshape(-1，1) )。

如果我获取相同的数据，并将其规范化、重塑等等，并将其直接传递给SKORCH，它就能正常工作，如下所示：

X = data.copy().to_numpy().astype(np.float32)
mean = X.mean(axis=0)
X -= mean
std = X.std(axis=0)
X /= std

y = data[target].to_numpy().astype(np.float32)
y = y.reshape(-1, 1)
net_regr.fit(X, y)

​

​

所以问题就在于它如何将PyCaret (基于DataFrame)数据和SKORCH转换到PyTorch中，即y保持一维，这对于上面链接中的分类模型来说是很好的，但对于需要2D的回归则不是这样。有我能拦截/转换y吗？

谢谢:)

Answer 1

在带Skorch的Py呼尔数据集中提到了这一点。无论如何，这并不能解决问题。如果您重载NeuralNetworkRegressor的适配，如下所示：

class MyNet(NeuralNetRegressor):
def fit(self, X, y):
    if y.ndim == 1:
        y = y.values.reshape(-1, 1)
    return super().fit(X, y)

net_regr = MyNet(
    RegressorModule,
    max_epochs=20,
    lr=0.1,
    train_split=None
)

应该管用的。