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

线性分类器模型。

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.LinearClassifier(
    feature_columns, model_dir=None, n_classes=2, weight_column=None,
    label_vocabulary=None, optimizer='Ftrl', config=None,
    partitioner=None, warm_start_from=None,
    loss_reduction=tf.compat.v1.losses.Reduction.SUM,
    sparse_combiner='sum'
)

训练线性模型以将实例分类为多个可能的类别之一。当可能的类别数为 2 时，这是二元分类。

例子：

categorical_column_a = categorical_column_with_hash_bucket(...)
categorical_column_b = categorical_column_with_hash_bucket(...)

categorical_feature_a_x_categorical_feature_b = crossed_column(...)

# Estimator using the default optimizer.
estimator = tf.estimator.LinearClassifier(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b])

# Or estimator using the FTRL optimizer with regularization.
estimator = tf.estimator.LinearClassifier(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b],
    optimizer=tf.keras.optimizers.Ftrl(
      learning_rate=0.1,
      l1_regularization_strength=0.001
    ))

# Or estimator using an optimizer with a learning rate decay.
estimator = tf.estimator.LinearClassifier(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b],
    optimizer=lambda:tf.keras.optimizers.Ftrl(
        learning_rate=tf.exponential_decay(
            learning_rate=0.1,
            global_step=tf.get_global_step(),
            decay_steps=10000,
            decay_rate=0.96))

# Or estimator with warm-starting from a previous checkpoint.
estimator = tf.estimator.LinearClassifier(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b],
    warm_start_from="/path/to/checkpoint/dir")


# 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
def input_fn_predict:
  # Returns tf.data.Dataset of (x, None) tuple.
  pass
estimator.train(input_fn=input_fn_train)
metrics = estimator.evaluate(input_fn=input_fn_eval)
predictions = estimator.predict(input_fn=input_fn_predict)

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 。
• 对于每个column在feature_columns：
  • 如果 column 是 SparseColumn ，则具有 key=column.name 的特征，其 value 是 SparseTensor 。
  • 如果 column 是 WeightedSparseColumn ，则有两个特征：第一个具有 key id 列名，第二个具有 key 权重列名。两个函数的 value 必须是 SparseTensor 。
  • 如果 column 是 RealValuedColumn ，则具有 key=column.name 的特征，其 value 是 Tensor 。

损失是通过使用 softmax 交叉熵来计算的。