Керас, значение страха: метрики классификации не могут обрабатывать комбинацию двоичных и непрерывных целей

Question

Я хочу получить важность функции в нейронной сети Keras, применив:

import eli5
from eli5.sklearn import PermutationImportance
perm = PermutationImportance(model, scoring='accuracy',
 random_state=1).fit(X_train,y_train)  


eli5.show_weights(perm, feature_names = X_train.columns.tolist())

и вижу ошибку:

Classification metrics can't handle a mix of binary and continuous targets

Я безуспешно пытался установить PermutationImportance, оценивая все показатели из списка sklearn (отсортировано (sklearn.metrics.SCORERS.keys ())):

    ['accuracy', 'adjusted_mutual_info_score', 'adjusted_rand_score', 'average_precision', 'balanced_accuracy', 'brier_score_loss', 

'completeness_score', 'explained_variance', 'f1', 'f1_macro', 'f1_micro',

'f1_samples', 'f1_weighted', 'fowlkes_mallows_score', 'homogeneity_score', 

'jaccard', 'jaccard_macro', 'jaccard_micro', 'jaccard_samples', 

'jaccard_weighted', 'max_error', 'mutual_info_score', 'neg_log_loss', 

'neg_mean_absolute_error', 'neg_mean_squared_error', 

'neg_mean_squared_log_error', 'neg_median_absolute_error', 

'normalized_mutual_info_score', 'precision', 'precision_macro',

'precision_micro', 'precision_samples', 'precision_weighted', 'r2', 'recall', 

'recall_macro', 'recall_micro', 'recall_samples', 'recall_weighted', 'roc_auc', 

'v_measure_score']

На форумах, которые я прочитал: это может быть вызвано конфликтом целей (двоичная классификация) ) и метод (линейная регрессия). Но я не использую линейную регрессию в сети (см. Код ниже).

Посоветуйте, пожалуйста, как решить проблему. Спасибо.

model = Sequential()
model.add(Dense(1200, input_dim=len(X_train.columns), activation='relu'))  
model.add(Dense(150, activation='relu'))
model.add(Dense(1, activation='sigmoid')) 

loss="binary_crossentropy"  
optimizer=adam(lr=0.01)
metrics=['accuracy']
epochs = 2
batch_size = 32
verbose = 0

model.compile(loss=loss,  
              optimizer=optimizer, 
              metrics=metrics)

model.fit(X_train, y_train, 
          epochs = epochs, 
          batch_size=batch_size, 
          verbose = verbose)

# feature importance
import eli5
from eli5.sklearn import PermutationImportance
perm = PermutationImportance(model, scoring='accuracy', random_state=1).fit(X_train,y_train)      
eli5.show_weights(perm, feature_names = X_train.columns.tolist())