Python tf.feature_column.weighted_categorical_column用法及代码示例

将权重值应用于 CategoricalColumn 。

用法

tf.feature_column.weighted_categorical_column(
    categorical_column, weight_feature_key, dtype=tf.dtypes.float32
)

当您的每个稀疏输入都具有 ID 和值时，请使用此选项。例如，如果您将文本文档表示为词频的集合，则可以提供 2 个并行稀疏输入特征(下面的'terms' 和'frequencies')。

例子：

输入 tf.Example 对象：

[
  features {
    feature {
      key:"terms"
      value {bytes_list {value:"very" value:"model"} }
    }
    feature {
      key:"frequencies"
      value {float_list {value:0.3 value:0.1} }
    }
  },
  features {
    feature {
      key:"terms"
      value {bytes_list {value:"when" value:"course" value:"human"} }
    }
    feature {
      key:"frequencies"
      value {float_list {value:0.4 value:0.1 value:0.2} }
    }
  }
]

categorical_column = categorical_column_with_hash_bucket(
    column_name='terms', hash_bucket_size=1000)
weighted_column = weighted_categorical_column(
    categorical_column=categorical_column, weight_feature_key='frequencies')
columns = [weighted_column, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

这假设输入字典包含键 'terms' 的 SparseTensor 和键 'frequencies' 的 SparseTensor。这 2 个张量必须具有相同的索引和密集形状。