tf.contrib.learn.LinearRegressor

Модель линейной регрессии.

Наследуется от: Estimator

tf.contrib.learn.LinearRegressor(
    feature_columns, model_dir=None, weight_column_name=None, optimizer=None,
    gradient_clip_norm=None, enable_centered_bias=False, label_dimension=1,
    _joint_weights=False, config=None, feature_engineering_fn=None
)

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

Обучает модель линейной регрессии для предсказания значения метки на основе наблюдений значений признаков.

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 = LinearRegressor(
    feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b])

# Input builders
def input_fn_train: # returns x, y
  ...
def input_fn_eval: # returns x, y
  ...
estimator.fit(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
estimator.predict(x=x)

Входные данные fit и evaluate должны иметь следующие признаки, в противном случае возникнет ошибка KeyError:

• если weight_column_name не None: key=weight_column_name, значение=a Tensor
• для столбца в feature_columns:
  • если isinstance(столбец, SparseColumn): key=column.name, значение=a SparseTensor
  • если isinstance(столбец, WeightedSparseColumn): {ключ=имя столбца, значение=a SparseTensor, ключ=имя столбца весов, значение=a SparseTensor}
  • если isinstance(столбец, RealValuedColumn): key=column.name, значение=a Tensor

Методы

evaluate

См. 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

См. 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

См. 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 инференциальный граф как SavedModel в указанную директорию.

fit

См. 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

См. исходный код

get_params(
    deep=True
)

Получить параметры для этого оценщика.

get_variable_names

См. исходный код

get_variable_names()

Возвращает список всех имён переменных в этой модели.

get_variable_value

См. 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 наборе выборок. (устаревшие аргументы)

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

Это особенно полезно, когда весь набор данных слишком велик, 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
)

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

По умолчанию возвращает предсказанные значения. Но это значение по умолчанию будет вскоре удалено. Пользователи должны либо передать outputs, или вызвать метод predict_scores.

predict_scores

Просмотреть исходный код

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

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

set_params

Просмотреть исходный код

set_params(
    **params
)

Устанавливает параметры данного оценщика.

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