tf.contrib.learn.LinearClassifier

Модель линейного классификатора.

Наследуется от: Estimator

tf.contrib.learn.LinearClassifier(
    feature_columns, model_dir=None, n_classes=2, weight_column_name=None,
    optimizer=None, gradient_clip_norm=None, enable_centered_bias=False,
    _joint_weight=False, config=None, feature_engineering_fn=None, label_keys=None
)

ЭТОТ КЛАСС УСТЕРЕЛ. См. contrib/learn/README.md для общих инструкций по миграции.

Обучает линейную модель для классификации экземпляров в один из нескольких возможных классов. При количестве возможных классов 2, это бинарная классификация.

Пример:

sparse_column_a = sparse_column_with_hash_bucket(...)
sparse_column_b = sparse_column_with_hash_bucket(...)

sparse_feature_a_x_sparse_feature_b = crossed_column(...)

# Estimator using the default optimizer.
estimator = LinearClassifier(
    feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b])

# Or estimator using the FTRL optimizer with regularization.
estimator = LinearClassifier(
    feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b],
    optimizer=tf.compat.v1.train.FtrlOptimizer(
      learning_rate=0.1,
      l1_regularization_strength=0.001
    ))

# Or estimator using the SDCAOptimizer.
estimator = LinearClassifier(
   feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b],
   optimizer=tf.contrib.linear_optimizer.SDCAOptimizer(
     example_id_column='example_id',
     num_loss_partitions=...,
     symmetric_l2_regularization=2.0
   ))

# Input builders
def input_fn_train: # returns x, y (where y represents label's class index).
  ...
def input_fn_eval: # returns x, y (where y represents label's class index).
  ...
def input_fn_predict: # returns x, None.
  ...
estimator.fit(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
# predict_classes returns class indices.
estimator.predict_classes(input_fn=input_fn_predict)

Если пользователь указывает label_keys в конструкторе, метки должны быть строками из label_keys словаря. Пример:

label_keys = ['label0', 'label1', 'label2']
estimator = LinearClassifier(
    n_classes=n_classes,
    feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b],
    label_keys=label_keys)

def input_fn_train: # returns x, y (where y is one of label_keys).
  pass
estimator.fit(input_fn=input_fn_train)

def input_fn_eval: # returns x, y (where y is one of label_keys).
  pass
estimator.evaluate(input_fn=input_fn_eval)
def input_fn_predict: # returns x, None
# predict_classes returns one of label_keys.
estimator.predict_classes(input_fn=input_fn_predict)

Входные данные fit и evaluate должны иметь 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 key именем столбца «id», второй с key именем столбца «вес». Значение обоих признаков должно быть SparseTensor.
  • если column является RealValuedColumn, признак с key=column.name, значение которого является Tensor.

Методы

evaluate

Посмотреть 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

Посмотреть исходный код

export(
    export_dir, input_fn=None, input_feature_key=None, use_deprecated_input_fn=True,
    signature_fn=None, default_batch_size=1, exports_to_keep=None
)

См. BaseEstimator.export. (устарело)

export_savedmodel

Посмотреть 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 график вывода как SavedModel в указанный каталог.

fit

Посмотреть исходный код

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

См. Trainable. (устаревшие аргументы)

get_params

Посмотреть исходный код

get_params(
    deep=True
)

Получить параметры этого оценщика.

get_variable_names

Просмотреть исходный код

get_variable_names()

Возвращает список всех имен 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
)

Инкрементное обучение на партии выборок. (аргументы устарели)

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

Это особенно полезно, когда весь набор данных слишком велик, чтобы поместиться в оперативной памяти за один раз. Или когда модель долго сходится, и вы хотите разбить обучение на части.

predict

Просмотреть исходный код

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

Возвращает прогнозы для заданных признаков. (устаревшие значения аргументов) (устаревшие значения аргументов)

По умолчанию возвращает предсказанные классы. Но это значение по умолчанию скоро будет удалено. Пользователи должны либо передать outputs, либо вызвать метод predict_classes.

predict_classes

Просмотреть исходный код

predict_classes(
    x=None, input_fn=None, batch_size=None, as_iterable=True
)

Возвращает предсказанные классы для заданных признаков. (устаревшие значения аргументов)

predict_proba

Просмотреть исходный код

predict_proba(
    x=None, input_fn=None, batch_size=None, as_iterable=True
)

Возвращает предсказанные вероятности для заданных признаков. (устаревшие значения аргументов)

set_params

Просмотреть исходный код

set_params(
    **params
)

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как конвейеры). Первые имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.