TensorFlow Linear Model Tutorial（TensorFlow线性模型教程）

在本教程中，我们将使用TensorFlow中的tf.estimator API来解决二元分类问题：给定关于某人的人口普查数据，如年龄，性别，教育和职业（特征），我们将尝试预测每年获得超过5万美元的收入（目标标签）。我们将训练逻辑回归模型，并给出个人信息，我们的模型将输出0到1之间的数字，这可以解释为个人年收入超过5万美元的概率。

设置

尝试本教程的代码：

1. 如果您尚未安装TensorFlow，请安装。

2. 下载教程代码。

3. 安装panda数据分析库。tf.estimator不需要panda，但支持它，而本教程使用panda。要安装panda：

获取pip：Ubuntu / Linux 64-bit $ sudo apt-get install python-pip python-dev＃macOS $ sudo easy_install pip $ sudo easy_install --upgrade sixb。使用pip安装panda：$ PIP install-U panda

如果你安装panda遇到困难，咨询panda网站的说明书。

4. 使用以下命令执行教程代码以操练本教程中描述的线性模型：

$ python wide_n_deep_tutorial.py --model_type=wide

请继续阅读以了解此代码如何构建其线性模型。

读取人口普查数据

我们将使用的数据集是人口普查收入数据集。您可以手动下载培训数据和测试数据，或使用如下代码：

import tempfile
import urllib
train_file = tempfile.NamedTemporaryFile()
test_file = tempfile.NamedTemporaryFile()
urllib.urlretrieve("https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data", train_file.name)
urllib.urlretrieve("https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.test", test_file.name)

下载CSV文件后，让我们将它们读入Pandas数据框。

import pandas as pd
CSV_COLUMNS = [
    "age", "workclass", "fnlwgt", "education", "education_num",
    "marital_status", "occupation", "relationship", "race", "gender",
    "capital_gain", "capital_loss", "hours_per_week", "native_country",
    "income_bracket"]
df_train = pd.read_csv(train_file.name, names=CSV_COLUMNS, skipinitialspace=True)
df_test = pd.read_csv(test_file.name, names=CSV_COLUMNS, skipinitialspace=True, skiprows=1)

由于该任务是一个二元分类问题，我们将构造一个名为“label”的标签列，如果收入超过5万，那么它的值为1，否则为0。

train_labels = (df_train["income_bracket"].apply(lambda x: ">50K" in x)).astype(int)
test_labels = (df_test["income_bracket"].apply(lambda x: ">50K" in x)).astype(int)

接下来，让我们看看数据框，看看我们可以使用哪些列来预测目标标签。这些列可以分为两类：分类和连续列：

• 如果列的值只能是有限集合中的某个类别，则该列被称为分类。例如，一个人的国籍（美国，印度，日本等）或教育水平（高中，大学等）是分类专栏。

• 如果某列的值可以是连续范围内的任何数值，则该列被称为连续列。例如，一个人的资本收益（例如$ 14,084）是一个连续的列。

以下是人口普查收入数据集中可用列的列表：

列名称	类型	描述
age	连续	个人的年龄
workclass	明确的	个人拥有的雇主类型（政府，军队，私人等）。
fnlwgt	连续	普查员认为观察所代表的人数（样本重量）。最终的重量不会被使用。
education	明确的	此人达到的最高教育水平。
education_num	连续	数值形式的最高教育水平。
marital_status	明确的	个人的婚姻状况。
occupation	明确的	个人的占领。
relatinship	明确的	妻子，自己的孩子，丈夫，非家庭，其他亲属，未婚。
race	明确的	白人，欧亚大陆人，阿美印 - 爱斯基摩人，其他，黑人。
gender	明确的	女人，男人。
capital_gain	连续	资本收益记录。
capital_loss	连续	记录资本损失。
hours_per_week	连续	每周工作时间。
native_country	明确的	个人原籍国。
income	明确的	“> 50K”或“<= 50K”，这意味着该人每年是否超过50,000美元。

将数据转换为张量

在构建tf.estimator模型时，输入数据通过输入生成器函数指定。此构建函数在稍后传递给tf.estimator.Estimator方法（如train和）之前不会被调用evaluate。这个函数的目的是构造输入数据，它以tf.Tensors或tf.SparseTensors 的形式表示。更详细地说，输入生成器函数返回以下一对：

1. feature_cols：从特征列名称到Tensors或的字典SparseTensors。

2. label：Tensor包含标签列。

feature_cols的关键将用于在下一节中构建列。因为我们想用不同的数据调用train和evaluate方法，所以我们定义一个方法，该方法根据给定的数据返回一个输入函数。请注意，返回的输入函数将在构建TensorFlow图形时调用，而不是在运行图形时调用。它返回的是将输入数据表示为TensorFlow计算的基本单位a Tensor（或SparseTensor）。

我们使用该tf.estimator.inputs.pandas_input_fn方法从pandas数据框中创建输入函数。列车或测试数据帧中的每个连续列都将被转换为a Tensor，这通常是表示密集数据的良好格式。对于分类数据，我们必须将数据表示为一个SparseTensor。这种数据格式适合表示稀疏数据。表示输入数据的另一种更高级的方法是构建代表文件或其他数据源的输入和读取器，并在TensorFlow运行图形时迭代文件。

def input_fn(data_file, num_epochs, shuffle):
  """Input builder function."""
  df_data = pd.read_csv(
      tf.gfile.Open(data_file),
      names=CSV_COLUMNS,
      skipinitialspace=True,
      engine="python",
      skiprows=1)
  # remove NaN elements
  df_data = df_data.dropna(how="any", axis=0)
  labels = df_data["income_bracket"].apply(lambda x: ">50K" in x).astype(int)
  return tf.estimator.inputs.pandas_input_fn(
      x=df_data,
      y=labels,
      batch_size=100,
      num_epochs=num_epochs,
      shuffle=shuffle,
      num_threads=5)

模型的选择和工程特征

选择和制定正确的特征列是学习有效模型的关键。一个特征列可以是在原来的数据帧（让我们称它们为原料的列中的任一个基本特征的列）的基础上在一个或多个碱基列（我们称它们限定一些转化或创建任何新列得出的特征列）。基本上，“特征列”是任何可用于预测目标标签的原始或派生变量的抽象概念。

基本分类特征列

要为分类特征定义特征列，我们可以使用tf.feature_column API 特征列创建一个CategoricalColumn。如果您知道一列中所有可能的特征值的集合，并且只有少数特征值，则可以使用categorical_column_with_vocabulary_list。列表中的每个键都会分配一个从0开始的自动增量ID。例如，对于gender列，我们可以通过执行以下操作将特征字符串“Female”分配给整数ID为0和“Male”为1：

gender = tf.feature_column.categorical_column_with_vocabulary_list(
    "gender", ["Female", "Male"])

如果我们事先不知道可能的数值，该怎么办？没关系。我们可以使用categorical_column_with_hash_bucket：

occupation = tf.feature_column.categorical_column_with_hash_bucket(
    "occupation", hash_bucket_size=1000)

当我们在操练中遇到特征列中occupation的每个可能的值将被散列为整数ID时，会发生什么情况是，

。看下面的示例插图：

ID	Feature
...	​
9	"Machine-op-inspct"
...	​
103	"Farming-fishing"
...	​
375	"Protective-serv"
...	​

无论我们选择哪种方式定义SparseColumn，通过查找固定映射或哈希将每个要素字符串映射到整数ID。请注意，哈希碰撞是可能的，但可能不会显着影响模型质量。在引擎盖下，LinearModel该类负责管理映射并创建tf.Variable以存储每个特征ID的模型参数（也称为模型权重）。模型参数将通过后面将要讨论的模型训练过程来学习。

我们会做类似的技巧来定义其他的分类特征：

education = tf.feature_column.categorical_column_with_vocabulary_list(
    "education", [
        "Bachelors", "HS-grad", "11th", "Masters", "9th",
        "Some-college", "Assoc-acdm", "Assoc-voc", "7th-8th",
        "Doctorate", "Prof-school", "5th-6th", "10th", "1st-4th",
        "Preschool", "12th"
    ])
marital_status = tf.feature_column.categorical_column_with_vocabulary_list(
    "marital_status", [
        "Married-civ-spouse", "Divorced", "Married-spouse-absent",
        "Never-married", "Separated", "Married-AF-spouse", "Widowed"
    ])
relationship = tf.feature_column.categorical_column_with_vocabulary_list(
    "relationship", [
        "Husband", "Not-in-family", "Wife", "Own-child", "Unmarried",
        "Other-relative"
    ])
workclass = tf.feature_column.categorical_column_with_vocabulary_list(
    "workclass", [
        "Self-emp-not-inc", "Private", "State-gov", "Federal-gov",
        "Local-gov", "?", "Self-emp-inc", "Without-pay", "Never-worked"
    ])
native_country = tf.feature_column.categorical_column_with_hash_bucket(
    "native_country", hash_bucket_size=1000)

基本连续功能列

同样，我们可以为我们想要在模型中使用的每个连续特征列定义一个NumericColumn：

age = tf.feature_column.numeric_column("age")
education_num = tf.feature_column.numeric_column("education_num")
capital_gain = tf.feature_column.numeric_column("capital_gain")
capital_loss = tf.feature_column.numeric_column("capital_loss")
hours_per_week = tf.feature_column.numeric_column("hours_per_week")

通过巴克化确定连续特征的分类

有时连续特征和标签之间的关系不是线性的。作为一个假设的例子，一个人的收入可能会在职业生涯的早期阶段随着年龄的增长而增长，然后增长可能会放缓，最终退休后的收入会减少。在这种情况下，使用原始age值作为实值特征列可能不是一个好的选择，因为模型只能学习三种情况之一：

1. 随着年龄增长，收入总是以某种速度增加（正相关），

2. 收入总是随着年龄增长而减少（负相关），或者

3. 无论年龄多少（不相关），收入都保持不变

如果我们想要分别学习收入和各个年龄组之间的细微关联，我们可以利用分行化。分割是将连续特征的整个范围划分为一组连续的箱/桶，然后根据该值落入哪个桶，将原始数值特征转换为桶ID（作为分类特征）。所以，我们可以将bucketized_columnover 定义age为：

age_buckets = tf.feature_column.bucketized_column(
    age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65])

这boundaries是一个桶边界列表。在这种情况下，有10个边界，从而导致11个年龄组桶（从17岁以下，18-24,25-29，...到65岁以上）。

用CrossedColumn交叉多列

单独使用每个基本特征列可能不足以解释数据。例如，不同职业的教育与标签（收入> 50,000美元）之间的关系可能会有所不同。因此，如果我们只学了一个模型的权重education="Bachelors"和education="Masters"，我们就无法捕捉到每一个教育，职业组合（例如区分education="Bachelors" AND occupation="Exec-managerial"和education="Bachelors" AND occupation="Craft-repair"）。要了解不同特征组合之间的差异，我们可以将交叉特征列添加到模型中。

education_x_occupation = tf.feature_column.crossed_column(
    ["education", "occupation"], hash_bucket_size=1000)

我们也可以创建CrossedColumn两个以上的列。每个组成列可以是categorical（SparseColumn）的基本特征列，也可以是bucketized实值特征列（BucketizedColumn），或者甚至是另一列CrossColumn。这是一个例子：

age_buckets_x_education_x_occupation = tf.feature_column.crossed_column(
    [age_buckets, "education", "occupation"], hash_bucket_size=1000)

定义Logistic回归模型

处理完输入数据并定义所有特征列后，我们现在准备将它们放在一起并构建Logistic回归模型。在上一节中，我们已经看到了几种基本和派生特征列，其中包括：

• CategoricalColumn

• NumericColumn

• BucketizedColumn

• CrossedColumn

所有这些都是抽象FeatureColumn类的子类，可以添加到feature_columns模型的字段中：

base_columns = [
    gender, native_country, education, occupation, workclass, relationship,
    age_buckets,
]
crossed_columns = [
    tf.feature_column.crossed_column(
        ["education", "occupation"], hash_bucket_size=1000),
    tf.feature_column.crossed_column(
        [age_buckets, "education", "occupation"], hash_bucket_size=1000),
    tf.feature_column.crossed_column(
        ["native_country", "occupation"], hash_bucket_size=1000)
]

model_dir = tempfile.mkdtemp()
m = tf.estimator.LinearClassifier(
    model_dir=model_dir, feature_columns=base_columns + crossed_columns)

该模型还会自动学习一个偏倚项，它可以控制在不观察任何特征的情况下进行的预测（有关更多解释，请参见“逻辑回归的工作原理”一节）。学习的模型文件将被存储在model_dir。

操练和评估我们的模型

将所有功能添加到模型后，现在让我们看看如何实际操练模型。使用tf.estimator API操练模型只是一个单线程：

# set num_epochs to None to get infinite stream of data.
m.train(
    input_fn=input_fn(train_file.name, num_epochs=None, shuffle=True),
    steps=train_steps)

在模型被操练之后，我们可以评估我们的模型在预测保持数据的标签方面的优势：

results = m.evaluate(
    input_fn=input_fn(test_file.name, num_epochs=1, shuffle=False),
    steps=None)
print("model directory = %s" % model_dir)
for key in sorted(results):
  print("%s: %s" % (key, results[key]))

输出的第一行应该是类似的accuracy: 0.83557522，这意味着准确度为83.6％。随意尝试更多的功能和转换，将能做得更好！

如果您想看到一个可用的端到端示例，则可以下载我们的示例代码。并将该model_type标志设置为wide。

加入正则化来防止过度拟合

正规化是一种用于避免过度拟合的技术。过度拟合发生在模型在训练数据上表现良好时，但在模型以前从未见过的测试数据（如实时流量）上更糟糕。过度拟合通常发生在模型过于复杂时，例如相对于观察到的训练数据的数量太多的参数。正则化允许您控制模型的复杂性，并使模型更具概括性，以避免看不见的数据。

在线性模型库中，您可以将L1和L2正则化添加到模型中，如下所示：

m = tf.estimator.LinearClassifier(
    model_dir=model_dir, feature_columns=base_columns + crossed_columns,
    optimizer=tf.train.FtrlOptimizer(
      learning_rate=0.1,
      l1_regularization_strength=1.0,
      l2_regularization_strength=1.0))

L1和L2正则化之间的一个重要区别是L1正则化倾向于使模型权重保持为零，从而创建更稀疏的模型，而L2正则化也试图使模型权重接近于零，但不一定为零。因此，如果您增加L1正则化的强度，您将有一个更小的模型大小，因为许多模型权重将为零。如果特征空间非常大但稀疏，并且存在资源限制，从而无法为太大的模型提供服务时，这通常是可取的。

在实践中，您应该尝试L1，L2正则化强度的各种组合，并找到最佳控制过度拟合的最佳参数，并为您提供理想的模型大小。

Logistic回归如何工作

最后，让我们花点时间谈一谈Logistic回归模型实际上是什么样子。我们将标签表示为（Y），将观察到的特征集合表示为特征向量（\ mathbf {x} = x_1，x_2，...，x_d）。我们定义（Y = 1）个人是否获得了> 50,000美元，否则（Y = 0）。在Logistic回归中，给出特征（\ mathbf {x}）的标签为正（（Y = 1））的概率为：

$$ P(Y=1|\mathbf{x}) = \frac{1}{1+\exp(-(\mathbf{w}^T\mathbf{x}+b))}$$

其中（\ mathbf {w} = w_1，w_2，...，w_d）是特征（\ mathbf {x} = x_1，x_2，...，x_d）的模型权重。（b）是一个常数，通常称为模型的偏差。该方程由两部分组成 - 线性模型和逻辑函数：

• 线性模型：首先，我们可以看到（\ mathbf {w} ^ T \ mathbf {x} + b = b + w_1x_1 + ... + w_dx_d）是一个线性模型，输出是输入要素的线性函数（\ mathbf {X}）。偏差（b）是在不观察任何特征的情况下进行的预测。模型权重（w_i）反映特征（x_i）如何与正标签相关。如果（x_i）与正标签正相关，则权重（w_i）增加，并且概率（P（Y = 1 | \ mathbf {x}））将更接近于1.另一方面，如果（x_i ）与正标签呈负相关，则权重（w_i）减小，概率（P（Y = 1 | \ mathbf {x}））将接近于0。

• Logistic函数：其次，我们可以看到，对线性模型应用了逻辑函数（也称为S形函数）（S（t）= 1 /（1+ \ exp（-t）））。逻辑函数用于将线性模型（\ mathbf {w} ^ T \ mathbf {x} + b）的输出从任何实数转换为（0,1）的范围，可以将其解释为概率。

模型训练是一个优化问题：目标是找到一组模型权重（即模型参数），以最小化定义在训练数据上的损失函数，例如Logistic回归模型的逻辑损失。损失函数衡量地面实况标签与模型预测之间的差异。如果预测与地面实况标签非常接近，损失值将会很低; 如果预测离标签很远，那么损失值会很高。

深入学习

如果您有兴趣了解更多信息，请查看我们的“广泛和深度学习教程”，我们将向您展示如何通过使用tf.estimator API联合训练它们来结合线性模型和深度神经网络的优势。