Python tf.compat.v1.feature_column.linear_model用法及代码示例

根据给定的 feature_columns 返回线性预测 Tensor 。

用法

tf.compat.v1.feature_column.linear_model(
    features, feature_columns, units=1, sparse_combiner='sum',
    weight_collections=None, trainable=True, cols_to_vars=None
)

此函数根据输出维度 units 生成加权和。加权和是指分类问题中的对数。它指的是线性回归问题的预测本身。

关于支持的列的注意事项：linear_model 将分类列视为 indicator_column s。具体来说，假设输入为SparseTensor，如下所示：

shape = [2, 2]
  {
      [0, 0]:"a"
      [1, 0]:"b"
      [1, 1]:"c"
  }

linear_model 为 "a"、"b"、"c' 的存在分配权重，就像 indicator_column 一样，而 input_layer 明确要求用 embedding_column 或 indicator_column 包装每个分类列。

使用示例：

price = numeric_column('price')
price_buckets = bucketized_column(price, boundaries=[0., 10., 100., 1000.])
keywords = categorical_column_with_hash_bucket("keywords", 10K)
keywords_price = crossed_column('keywords', price_buckets, ...)
columns = [price_buckets, keywords, keywords_price ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
prediction = linear_model(features, columns)

sparse_combiner 参数的工作方式如下例如，对于表示为分类列的两个特征：

# Feature 1

  shape = [2, 2]
  {
      [0, 0]:"a"
      [0, 1]:"b"
      [1, 0]:"c"
  }

  # Feature 2

  shape = [2, 3]
  {
      [0, 0]:"d"
      [1, 0]:"e"
      [1, 1]:"f"
      [1, 2]:"f"
  }

使用sparse_combiner 作为"mean"，线性模型输出结果为：

y_0 = 1.0 / 2.0 * ( w_a + w_b ) + w_d + b
  y_1 = w_c + 1.0 / 3.0 * ( w_e + 2.0 * w_f ) + b

其中y_i是输出，b是偏差，w_x是分配给输入特征中存在x的权重。