tf.contrib.kernel_methods.KernelLinearClassifier

Линейный классификатор, использующий методы ядра в качестве предобработки признаков.

tf.contrib.kernel_methods.KernelLinearClassifier(
    feature_columns=None, model_dir=None, n_classes=2, weight_column_name=None,
    optimizer=None, kernel_mappers=None, config=None
)

Он обучает линейную модель после, возможно, отображения начальных входных признаков в отображение пространства с использованием явных отображений ядра. Благодаря отображениям ядра, обучение линейного классификатора в отображённом (выходном) пространстве может обнаруживать нелинейности во входном пространстве.

Пользователь может предоставить список отображателей ядер, которые будут применяться ко всем или подмножеству существующих столбцов признаков. Таким образом, пользователь может эффективно предоставить 2 типа столбцов признаков:

• те, которые передаются как элементы feature_columns в конструкторе классификатора
• те, которые появляются как ключ словаря kernel_mappers.

Если столбец появляется только в feature_columns, к нему не применяется отображение. Если он появляется в качестве ключа в kernel_mappers, к нему применяются соответствующие отображатели ядер. Обратите внимание, что столбец может появиться в обоих местах. В настоящее время kernel_mappers поддерживаются только для _RealValuedColumns.

Пример использования:

real_column_a = real_valued_column(name='real_column_a',...)
sparse_column_b = sparse_column_with_hash_bucket(...)
kernel_mappers = {real_column_a : [RandomFourierFeatureMapper(...)]}
optimizer = ...

# real_column_a is used as a feature in both its initial and its transformed
# (mapped) form. sparse_column_b is not affected by kernel mappers.
kernel_classifier = KernelLinearClassifier(
    feature_columns=[real_column_a, sparse_column_b],
    model_dir=...,
    optimizer=optimizer,
    kernel_mappers=kernel_mappers)

# real_column_a is used as a feature in its transformed (mapped) form only.
# sparse_column_b is not affected by kernel mappers.
kernel_classifier = KernelLinearClassifier(
    feature_columns=[sparse_column_b],
    model_dir=...,
    optimizer=optimizer,
    kernel_mappers=kernel_mappers)

# Input builders
def train_input_fn: # returns x, y
  ...
def eval_input_fn: # returns x, y
  ...

kernel_classifier.fit(input_fn=train_input_fn)
kernel_classifier.evaluate(input_fn=eval_input_fn)
kernel_classifier.predict(...)

Ввод fit и evaluate должен содержать следующие признаки, в противном случае возникнет KeyError.

• если weight_column_name не None, признак с key=weight_column_name, значение которого является Tensor.
• для каждого column в feature_columns:
  • если column является SparseColumn, признак с key=column.name, значение которого является SparseTensor.
  • если column является WeightedSparseColumn, два признака: первый с именем столбца key, второй с именем столбца key. Значение обоих признаков должно быть SparseTensor.
  • если column является RealValuedColumn, признак с key=column.name, значение которого является Tensor.

Методы

evaluate

Просмотреть исходный код

evaluate(
    x=None, y=None, input_fn=None, feed_fn=None, batch_size=None, steps=None,
    metrics=None, name=None, checkpoint_path=None, hooks=None, log_progress=True
)

См. Evaluable. (устаревшие аргументы)

export

Просмотреть исходный код

export(
    export_dir, input_fn=export._default_input_fn, input_feature_key=None,
    use_deprecated_input_fn=True, signature_fn=None, prediction_key=None,
    default_batch_size=1, exports_to_keep=None, checkpoint_path=None
)

Экспортирует граф вывода в указанную директорию. (устарело)

export_savedmodel

Просмотреть исходный код

export_savedmodel(
    export_dir_base, serving_input_fn, default_output_alternative_key=None,
    assets_extra=None, as_text=False, checkpoint_path=None,
    graph_rewrite_specs=(GraphRewriteSpec((tag_constants.SERVING,), ()),),
    strip_default_attrs=False
)

Экспортирует граф вывода как SavedModel в указанную директорию.

fit

Просмотреть исходный код

fit(
    x=None, y=None, input_fn=None, steps=None, batch_size=None, monitors=None,
    max_steps=None
)

См. Trainable. (аргументы устарели)

get_params

Просмотреть исходный код

get_params(
    deep=True
)

Получить параметры для данного оценщика.

get_variable_names

Просмотреть исходный код

get_variable_names()

Возвращает список всех имён переменных в этой модели.

get_variable_value

Просмотреть исходный код

get_variable_value(
    name
)

Возвращает значение переменной, заданной по имени.

partial_fit

Просмотреть исходный код

partial_fit(
    x=None, y=None, input_fn=None, steps=1, batch_size=None, monitors=None
)

Инкрементальное обучение на наборе образцов. (устаревшие аргументы)

Ожидается, что этот метод будет вызываться несколько раз подряд на разных или одних и тех же фрагментах набора данных. Это может реализовать итеративное обучение или обучение вне памяти/онлайн.

Это особенно полезно, когда весь набор данных слишком большой, чтобы поместиться в памяти одновременно. Или когда модели требуется много времени для сходимости, и вы хотите разбить обучение на подчасти.

predict

Просмотреть исходный код

predict(
    x=None, input_fn=None, batch_size=None, outputs=None, as_iterable=True,
    iterate_batches=False
)

Возвращает предсказания для заданных признаков. (устаревшие аргументы)

predict_classes

Посмотреть исходный код

predict_classes(
    input_fn=None
)

Выполняет вывод, чтобы определить предсказанный класс для каждой записи.

predict_proba

Посмотреть исходный код

predict_proba(
    input_fn=None
)

Выполняет вывод, чтобы определить предсказания вероятностей классов.

set_params

Посмотреть исходный код

set_params(
    **params
)

Устанавливает параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (такими как конвейеры). У первых параметры имеют вид <component>__<parameter>, чтобы было возможно обновлять каждый компонент вложенного объекта.