在tensorflow中实现DNNLinearCombinedRegressor模型

Question

我正在尝试实现用于回归的广泛和深度张量流模型（DNNLinearCombinedRegressor）。以下是我使用的代码的概述

def input_function(num_epochs, train_set):
#defined input function for training.

def build_model_col():
# for conversion of input pandas columns into tenforflow feature columns. also created embedding columns for a few columns. 
    return wide_column, deep_column

def build_estimator(model_dir):
    wide_columns, deep_columns = build_model_col()
    hidden_units = [1024, 512, 256]
    return tf.estimator.DNNLinearCombinedRegressor(
       model_dir = model_dir,
       linear_feature_columns = wide_columns,
       dnn_feature_columns = deep_columns,
       dnn_hidden_units = hidden_units)

test_data = pd.read_csv(...)
def main():
    shutil.rmtree(modeldir)
    model = build_estimator(modeldir)
    model.train(input_function = lambda: input_function(200, test_data))

if __name__ = "__main__":
    main()

在任何步骤中，损失（mean_squared_error）从未低于1000。由于训练数据集中“y”的最大值仅为40，最小值为0，因此这种方法很高并且存在一些错误。

我可能遗漏了一些东西。我搜索了很多，但没有遇到DNNLinearCombinedRegressor的一个可重复的例子。

提前致谢。

Answer 1

绝对损失值通常意味着很多。

如果您只为reduce而不是reduce_mean执行reduce_sum，那么增加批量大小会增加绝对损失值。

举几个例子，运行模型，看看输出是什么。您的数据可能存在一些微不足道的错误。稍微改变您的输入，看看预测如何变化。举几个随机的例子（来自你的测试集），得到预测并自己比较。