tf.feature_column.linear_model

Возвращает линейное предсказание Tensor на основе заданных feature_columns.

tf.feature_column.linear_model(
    features, feature_columns, units=1, sparse_combiner='sum',
    weight_collections=None, trainable=True, cols_to_vars=None
)

Эта функция генерирует взвешенную сумму на основе размерности выходного пространства units. Взвешенная сумма относится к логам в задачах классификации. В случае задач линейной регрессии она относится к самому предсказанию.

Примечание о поддерживаемых колонках: linear_model обрабатывает категориальные колонки как indicator_column. То есть, предположим, что вход SparseTensor выглядит следующим образом:

shape = [2, 2]
{
    [0, 0]: "a"
    [1, 0]: "b"
    [1, 1]: "c"
}

linear_model неявно присваивает веса для наличия "a", "b", "c", подобно indicator_column, тогда как input_layer явно требует обертывания каждой из категориальных колонок в embedding_column или indicator_column.

Пример использования:

price = numeric_column('price')
price_buckets = bucketized_column(price, boundaries=[0., 10., 100., 1000.])
keywords = categorical_column_with_hash_bucket("keywords", 10K)
keywords_price = crossed_column('keywords', price_buckets, ...)
columns = [price_buckets, keywords, keywords_price ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
prediction = linear_model(features, columns)

Аргумент sparse_combiner работает следующим образом. Например, для двух признаков, представленных как категориальные колонки:

# Feature 1

shape = [2, 2]
{
    [0, 0]: "a"
    [0, 1]: "b"
    [1, 0]: "c"
}

# Feature 2

shape = [2, 3]
{
    [0, 0]: "d"
    [1, 0]: "e"
    [1, 1]: "f"
    [1, 2]: "f"
}

при sparse_combiner как "mean", линейная модель, соответственно, выдает:

y_0 = 1.0 / 2.0 * ( w_a + w_b ) + w_d + b
y_1 = w_c + 1.0 / 3.0 * ( w_e + 2.0 * w_f ) + b

где y_i — выход, b — смещение, а w_x — вес, присваиваемый наличию x в входных признаках.