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

TensorFlow 线性回归问题的估计器。

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.LinearRegressor(
    feature_columns, model_dir=None, label_dimension=1, weight_column=None,
    optimizer='Ftrl', config=None, partitioner=None, warm_start_from=None,
    loss_reduction=tf.compat.v1.losses.Reduction.SUM,
    sparse_combiner='sum'
)

训练线性回归模型以在给定特征值观察的情况下预测标签值。

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.LinearRegressor(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b])

# Or estimator using the FTRL optimizer with regularization.
estimator = tf.estimator.LinearRegressor(
    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.LinearRegressor(
    feature_columns=[categorical_column_a,
                     categorical_feature_a_x_categorical_feature_b],
    optimizer=lambda:tf.keras.optimizers.Ftrl(
        learning_rate=tf.compat.v1.train.exponential_decay(
            learning_rate=0.1,
            global_step=tf.compat.v1.train.get_global_step(),
            decay_steps=10000,
            decay_rate=0.96))

# Or estimator with warm-starting from a previous checkpoint.
estimator = tf.estimator.LinearRegressor(
    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点，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 。

损失是使用均方误差计算的。