tf.feature_column.numeric_column

Представляет числовые или вещественные признаки.

tf.feature_column.numeric_column(
    key,
    shape=(1,),
    default_value=None,
    dtype=tf.dtypes.float32,
    normalizer_fn=None
)

Пример:

Предположим, у нас есть данные с двумя признаками a и b.

data = {'a': [15, 9, 17, 19, 21, 18, 25, 30],
   'b': [5.0, 6.4, 10.5, 13.6, 15.7, 19.9, 20.3 , 0.0]}

Представим признаки a и b как числовые признаки.

a = tf.feature_column.numeric_column('a')
b = tf.feature_column.numeric_column('b')

Столбец признаков описывает набор преобразований входных данных.

Например, чтобы «разбить» признак a, оберните столбец a в feature_column.bucketized_column. Указав границы разбиения 5, API `bucketized_column` разделит этот признак на всего 6 интервалов.

a_buckets = tf.feature_column.bucketized_column(a,
   boundaries=[10, 15, 20, 25, 30])

Создайте слой DenseFeatures, который будет применять преобразования, описанные набором объектов tf.feature_column:

feature_layer = tf.keras.layers.DenseFeatures([a_buckets, b])
print(feature_layer(data))
tf.Tensor(
[[ 0.   0.   1.   0.   0.   0.   5. ]
 [ 1.   0.   0.   0.   0.   0.   6.4]
 [ 0.   0.   1.   0.   0.   0.  10.5]
 [ 0.   0.   1.   0.   0.   0.  13.6]
 [ 0.   0.   0.   1.   0.   0.  15.7]
 [ 0.   0.   1.   0.   0.   0.  19.9]
 [ 0.   0.   0.   0.   1.   0.  20.3]
 [ 0.   0.   0.   0.   0.   1.   0. ]], shape=(8, 7), dtype=float32)