Python tf.estimator.LogisticRegressionHead用法及代码示例

为逻辑回归创建 Head。

继承自：RegressionHead，Head

用法

tf.estimator.LogisticRegressionHead(
    weight_column=None, loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE,
    name=None
)

参数

weight_column 由 tf.feature_column.numeric_column 创建的字符串或 NumericColumn 定义表示权重的特征列。它用于在训练期间减轻重量或增加示例。它将乘以示例的损失。
loss_reduction tf.losses.Reduction 之一，除了 NONE 。决定如何减少批次和标签维度的训练损失。默认为 SUM_OVER_BATCH_SIZE ，即损失的加权总和除以 batch size * label_dimension 。
name 头的名字。如果提供，摘要和指标键将以 "/" + name 为后缀。创建操作时也用作name_scope。

属性

logits_dimension 有关详细信息，请参阅base_head.Head。
loss_reduction 有关详细信息，请参阅base_head.Head。
name 有关详细信息，请参阅base_head.Head。

使用 sigmoid_cross_entropy_with_logits 损失，与 BinaryClassHead 相同。与BinaryClassHead 相比的差异是：

不支持 label_vocabulary 。相反，标签必须在 [0, 1] 范围内浮点数。
不计算一些没有意义的指标，例如 AUC。
在 PREDICT 模式下，仅返回 logits 和预测 (=tf.sigmoid(logits))，而 BinaryClassHead 还返回概率、类和 class_ids。
导出输出默认为 RegressionOutput ，而 BinaryClassHead 默认为 PredictOutput 。

头部期望 logits 形状为 [D0, D1, ... DN, 1] 。在许多应用程序中，形状是 [batch_size, 1] 。

labels 形状必须匹配 logits ，即 [D0, D1, ... DN] 或 [D0, D1, ... DN, 1] 。

如果指定了 weight_column，则权重的形状必须为 [D0, D1, ... DN] 或 [D0, D1, ... DN, 1] 。

这是作为广义线性模型实现的，请参阅 https://en.wikipedia.org/wiki/Generalized_linear_model

头部可以与罐装估计器一起使用。例子：

my_head = tf.estimator.LogisticRegressionHead()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

它也可以与自定义 model_fn 一起使用。例子：

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.LogisticRegressionHead()
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.keras.optimizers.Adagrad(lr=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.estimator.LogisticRegressionHead。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。