tf.compat.v1.feature_column.linear_model

Возвращает линейный прогноз Tensor на основе заданного значения feature_columns. (устарело)

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

Эта функция вычисляет взвешенную сумму с размерностью выходных данных units. В задачах классификации взвешенная сумма соответствует логитам. В задачах линейной регрессии она соответствует самому прогнозу.

Примечание о поддерживаемых столбцах: linear_model обрабатывает категориальные столбцы как indicator_column. В частности, предположим, что входные данные SparseTensor имеют следующий вид:

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

linear_model неявно присваивает веса наличию значений "a", "b", "c', как и indicator_column, тогда как input_layer явно требует обернуть каждый категориальный столбец в embedding_column или indicator_column.

Пример использования:

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)

Аргумент sparse_combiner работает следующим образом. Например, для двух признаков, представленных категориальными столбцами:

# 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"
}

при значении sparse_combiner, равном "mean", выходные данные линейной модели будут следующими:

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

где y_i — это выходное значение, b — смещение, а w_x — вес, присваиваемый наличию x во входных признаках.