Python tf.compat.v1.feature_column.linear_model用法及代碼示例

根據給定的 feature_columns 返回線性預測 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
)

此函數根據輸出維度 units 生成加權和。加權和是指分類問題中的對數。它指的是線性回歸問題的預測本身。

關於支持的列的注意事項：linear_model 將分類列視為 indicator_column s。具體來說，假設輸入為SparseTensor，如下所示：

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

linear_model 為 "a"、"b"、"c' 的存在分配權重，就像 indicator_column 一樣，而 input_layer 明確要求用 embedding_column 或 indicator_column 包裝每個分類列。

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 參數的工作方式如下例如，對於表示為分類列的兩個特征：

# 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 作為"mean"，線性模型輸出結果為：

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是輸出，b是偏差，w_x是分配給輸入特征中存在x的權重。