Python tf.compat.v1.estimator.BaselineClassifier用法及代码示例

可以建立简单基线的分类器。

警告：不建议将估算器用于新代码。估算器运行tf.compat.v1.Session-style 代码更难正确编写，并且可能出现意外行为，尤其是与 TF 2 代码结合使用时。估算器确实属于我们的兼容性保证，但不会收到除安全漏洞以外的任何修复。见迁移指南详情。

继承自：Estimator

用法

tf.compat.v1.estimator.BaselineClassifier(
    model_dir=None, n_classes=2, weight_column=None, label_vocabulary=None,
    optimizer='Ftrl', config=None,
    loss_reduction=tf.compat.v1.losses.Reduction.SUM
)

该分类器忽略特征值，将学习预测每个标签的平均值。对于single-label 问题，这将预测标签中看到的类的概率分布。对于多标签问题，这将预测每个类别中正面示例的比例。

例子：

# Build BaselineClassifier
classifier = tf.estimator.BaselineClassifier(n_classes=3)

# Input builders
def input_fn_train:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

def input_fn_eval:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

# Fit model.
classifier.train(input_fn=input_fn_train)

# Evaluate cross entropy between the test and train labels.
loss = classifier.evaluate(input_fn=input_fn_eval)["loss"]

# predict outputs the probability distribution of the classes as seen in
# training.
predictions = classifier.predict(new_samples)

train 和 evaluate 的输入应具有以下特征，否则会出现 KeyError ：

• 如果 weight_column 不是 None ，则具有 key=weight_column 的特征，其值为 Tensor 。