Python tf.estimator.BaselineClassifier用法及代碼示例

可以建立簡單基線的分類器。

警告：不建議將估算器用於新代碼。估算器運行tf.compat.v1.Session-style 代碼更難正確編寫，並且可能出現意外行為，尤其是與 TF 2 代碼結合使用時。估算器確實屬於我們的兼容性保證，但不會收到除安全漏洞以外的任何修複。見遷移指南詳情。

繼承自：Estimator，Estimator

用法

tf.estimator.BaselineClassifier(
    model_dir=None, n_classes=2, weight_column=None, label_vocabulary=None,
    optimizer='Ftrl', config=None,
    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE
)

該分類器忽略特征值，將學習預測每個標簽的平均值。對於single-label 問題，這將預測標簽中看到的類的概率分布。對於多標簽問題，這將預測每個類別中正麵示例的比例。

例子：

# Build BaselineClassifier
classifier = tf.estimator.BaselineClassifier(n_classes=3)

# 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

# Fit model.
classifier.train(input_fn=input_fn_train)

# Evaluate cross entropy between the test and train labels.
loss = classifier.evaluate(input_fn=input_fn_eval)["loss"]

# predict outputs the probability distribution of the classes as seen in
# training.
predictions = classifier.predict(new_samples)

train 和 evaluate 的輸入應具有以下特征，否則會出現 KeyError ：

• 如果 weight_column 不是 None ，則具有 key=weight_column 的特征，其值為 Tensor 。