tf.contrib.estimator.logistic_regression_head

Создаёт _Head для логистической регрессии.

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

Использует sigmoid_cross_entropy_with_logits потерю, которая такая же, как binary_classification_head. Различия по сравнению с binary_classification_head:

• Не поддерживает label_vocabulary. Вместо этого метки должны быть числами с плавающей точкой в диапазоне [0, 1].
• Не вычисляет некоторые метрики, которые не имеют смысла, такие как AUC.
• В режиме PREDICT возвращает только логарифмические вероятности и прогнозы (=tf.sigmoid(logits)), тогда как binary_classification_head также возвращает вероятности, классы и идентификаторы классов.
• Экспорт по умолчанию устанавливается в RegressionOutput, тогда как binary_classification_head по умолчанию устанавливается в PredictOutput.

Этот модуль ожидает logits с формой [D0, D1, ... DN, 1]. Во многих приложениях форма [batch_size, 1].

Форма labels должна соответствовать logits, а именно [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Если указаны weight_column, веса должны иметь форму [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Это реализовано как обобщённая линейная модель, см. https://en.wikipedia.org/wiki/Generalized_linear_model

Этот модуль можно использовать с готовым оценщиком. Пример:

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

Его также можно использовать с настраиваемым model_fn. Пример:

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

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.AdagradOptimizer(learning_rate=0.1),
      logits=logits)

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