tf.contrib.learn.SVM

Модель поддержки векторов (SVM) для бинарной классификации.

Наследуется от: Estimator

tf.contrib.learn.SVM(
    example_id_column, feature_columns, weight_column_name=None, model_dir=None,
    l1_regularization=0.0, l2_regularization=0.0, num_loss_partitions=1,
    kernels=None, config=None, feature_engineering_fn=None
)

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

В настоящее время поддерживаются только линейные SVM. Для основной задачи оптимизации используется SDCAOptimizer. Для настройки производительности и сходимости параметр num_loss_partitions, передаваемый в SDCAOptimizer, (см. метод __init__()), должен быть установлен в значение (#конкурентных операций обучения на рабочем узле) x (#рабочих узлов). Если num_loss_partitions больше или равен этому значению, сходимость гарантирована, но становится медленнее по мере увеличения num_loss_partitions. Если значение меньше, оптимизатор более агрессивно уменьшает глобальную потерю, но сходимость не гарантируется. Рекомендуемое значение в Estimator (где на каждом рабочем узле работает один процесс) — число рабочих узлов, выполняющих шаги обучения. По умолчанию оно равно 1 (один компьютер).

Пример:

real_feature_column = real_valued_column(...)
sparse_feature_column = sparse_column_with_hash_bucket(...)

estimator = SVM(
    example_id_column='example_id',
    feature_columns=[real_feature_column, sparse_feature_column],
    l2_regularization=10.0)

# 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 содержать следующие признаки, в противном случае произойдёт KeyError: признак с key=example_id_column, значение которого — Tensor типа string. Если weight_column_name не None, то признак с key=weight_column_name, значение которого — Tensor. Для каждого column в feature_columns:

- if `column` is a `SparseColumn`, a feature with `key=column.name`
  whose `value` is a `SparseTensor`.
- if `column` is a `RealValuedColumn, a feature with `key=column.name`
  whose `value` is a `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, signature_fn=None, input_fn=None, default_batch_size=1,
    exports_to_keep=None
)

См. BaseEstimator.export. (устаревший)

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.

export_with_defaults

Посмотреть исходный код

export_with_defaults(
    export_dir, signature_fn=None, input_fn=None, default_batch_size=1,
    exports_to_keep=None
)

То же, что и BaseEstimator.export, но использует некоторые значения по умолчанию. (устаревший)

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 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 партии образцов. (устаревшие аргументы)

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.

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,
    iterate_batches=False
)

Возвращает предсказания для заданных признаков. (устаревшие аргументы)

predict_classes

Посмотреть исходный код

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

Выполняет вывод для определения предсказанного класса. (устаревшие значения аргументов)

predict_proba

Посмотреть исходный код

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

Выполняет вывод, чтобы определить предсказанные вероятности классов. (устаревшие значения аргументов)

set_params

Посмотреть исходный код

set_params(
    **params
)

Устанавливает параметры данного оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как конвейеры). В первом случае параметры имеют вид <component>__<parameter> для возможности обновления каждого компонента вложенного объекта.