我们首先比较一下sklearn的机器学习大致使用流程和Keras的大致使用流程：

sklearn的机器学习使用流程：

fromsklearn.模型簇import模型名

fromsklearn.metricsimport评价指标

'''数据预处理及训练测试集分离提取'''

myModel=模型名称()#对象初始化

myModel.fit(训练集x,训练集y)#模型训练

y预测集=myModel.predict(开发集x)#模型预测

评价指标=评价指标(y预测集，y测试集)#模型效果评估

Keras的机器学习使用流程：

importkeras

...根据具体需求引入keras的包...

...keras模型搭建...

...keras模型编译(可选择模型指标)...

kerasModel.fit(训练集x，训练集y)#keras模型训练

y预测集=myModel.predict(开发集x)#keras模型预测

两者的区别

由上面伪代码可知Keras和sklearn最大不同在于需要进行模型搭建，可是既然有了这么多模型为什么还要模型搭建?

如果你了解过神经网络感知机就会比较理解这个过程，一个感知器相当于一个神经元，可根据输入信息反馈出需要的电信号，根据我们的世界观，一个细胞可以单独执行很多功能但是大量单纯的任务会让细胞只针对一个方向发展。用生物学的说话就是分化能力逐渐减弱，机器学习说法就是过拟合。因此，只有大量细胞通过不同的组合才能完成纷繁复杂的预测任务，因而有证明说神经网络理论上可拟合出任何曲线。

那么话说回来，Keras需要自行搭建模型，搭建方法有两种：序贯模型和函数式模型。而我本次的笔记就是学习序贯模型和函数式模型。

以上内容为大家介绍了python中sklearn和Keras机器学习的流程的区别，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。