如何将 Tensorflow 和 Estimator 与 Boosted 树一起使用来训练和评估模型?
借助‘BoostedTreesClassifier’，可以将 Tensorflow 和 Estimator 与 Boosted 树一起使用来训练和评估模型。此估算器与‘train’方法和‘evaluate’一起使用方法分别训练和评估数据集。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API，它有助于构建用于处理普通层堆栈的顺序模型，其中每个层都有一个输入张量和一个输出张量。
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，无需配置，可以免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
我们将了解如何使用决策树和 tf.estimator API 训练梯度提升模型。
让我们了解如何使用估算器。估算器是 TensorFlow 对完整模型的高级表示。它专为轻松扩展和异步训练而设计。
我们将使用 tf.estimator API 训练逻辑回归模型。该模型用作其他算法的基线。我们使用泰坦尼克号数据集，目标是预测乘客的生存情况，给定性别、年龄、等级等特征。
估算器使用特征列来描述模型如何解释原始输入特征。估算器需要一个数字输入向量，特征列将有助于描述模型应如何转换数据集中的每个特征。选择和使用正确的特征列集对于学习有效的模型至关重要。特征列可以是原始特征字典中的原始输入之一，也可以是使用在一个或多个基础列上定义的转换创建的新列。
增强树模型被认为是回归和分类最流行和最有效的机器学习方法。它是一种集成技术，结合了来自许多(10 个、100 个或 1000 个)树模型的预测。
BoostedTreesRegressor 和分类支持 BoostedTreesClassifier。目标是预测一个类，即生存或不生存。
示例
print("Using boosted trees")
print("Data fits into memory, hence entire dataset per layer is used as a single batch")
print("This would be quick")
n_batches = 1
est = tf.estimator.BoostedTreesClassifier(feature_columns,
n_batches_per_layer=n_batches)
print("The model stops training once the number of trees specified is built")
est.train(train_input_fn, max_steps=100)
print("The model is evaluated")
result = est.evaluate(eval_input_fn)
clear_output()
print(pd.Series(result))
输出
accuracy 0.833333 accuracy_baseline 0.625000 auc 0.875237 auc_precision_recall 0.859974 average_loss 0.405130 label/mean 0.375000 loss 0.405130 precision 0.795699 prediction/mean 0.383989 recall 0.747475 global_step 100.000000 dtype: float64
解释
- Boosted Trees 模型已训练完毕。
- 目标是预测一个类别，该类别可能存活或不存活。
- 为此，使用 BoostedTreesClassifier。
