tf.estimator.LogisticRegressionHead

Создаёт Head для логистической регрессии.

Наследуется от: RegressionHead

tf.estimator.LogisticRegressionHead(
    weight_column=None, loss_reduction=losses_utils.ReductionV2.SUM_OVER_BATCH_SIZE,
    name=None
)

Использует sigmoid_cross_entropy_with_logits функцию потерь, которая аналогична BinaryClassHead. Различия по сравнению с BinaryClassHead:

• Не поддерживает label_vocabulary. Вместо этого метки должны быть числами с плавающей точкой в диапазоне [0, 1].
• Не рассчитывает некоторые метрики, которые не имеют смысла, например, AUC.
• В режиме PREDICT возвращает только логиты и предсказания (=tf.sigmoid(logits)), в то время как BinaryClassHead также возвращает вероятности, классы и идентификаторы классов.
• Экспорт по умолчанию устанавливается на RegressionOutput, тогда как у BinaryClassHead по умолчанию PredictOutput.

Этот заголовок ожидает logits с формой [D0, D1, ... DN, 1]. Во многих приложениях форма составляет [batch_size, 1].

Форма labels должна совпадать с формой logits, а именно [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Если указано weight_column, веса должны иметь форму [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Это реализовано как обобщённая линейная модель, см. https://en.wikipedia.org/wiki/Generalized_linear_model

Этот заголовок может быть использован с готовым оценщиком. Пример:

my_head = tf.estimator.LogisticRegressionHead()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

Он также может быть использован с настраиваемым model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.LogisticRegressionHead()
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.keras.optimizers.Adagrad(lr=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)

Методы

create_estimator_spec

Просмотреть исходный код

create_estimator_spec(
    features, mode, logits, labels=None, optimizer=None, trainable_variables=None,
    train_op_fn=None, update_ops=None, regularization_losses=None
)

Возвращает EstimatorSpec , которое может вернуть model_fn.

Рекомендуется передавать все аргументы через имя.

loss

Просмотреть исходный код

loss(
    labels, logits, features=None, mode=None, regularization_losses=None
)

Возвращает предсказания на основе ключей. Подробности см. в base_head.Head.

metrics

Просмотреть исходный код

metrics(
    regularization_losses=None
)

Создаёт метрики. Подробности см. в base_head.Head.

predictions

Просмотреть исходный код

predictions(
    logits
)

Возвращает предсказания на основе ключей.

Подробности см. в base_head.Head.

update_metrics

Просмотреть исходный код

update_metrics(
    eval_metrics, features, logits, labels, regularization_losses=None
)

Обновляет метрики оценки. Подробности см. в base_head.Head.