如何使用类似于Scikit类权重的Logistic回归Tensorflow Estimator

Question

我试图将基本的sklearn逻辑回归模型移植到tensorflow，我想使用Estimator类，因为我只需要一个简单的模型。但是，由于我的两个类不平衡，因此sklearn版本使用了class_weight参数。我没有看到Estimator的等效变体。

我正在尝试获得与以下功能相同的功能：

class_weight = {"false": 1, "true": 10}
model = sklearn.linear_model.LogisticRegression(class_weight = class_weight)
model.fit(X, Y)

我尝试使用weight_column，但似乎无法正确训练。由于没有正确解决班级不平衡的问题，因此有很多误报。我还尝试研究更改损失函数，但我看到的每个示例都不适用于Estimator框架：Weighted Training Examples in Tensorflow

def input_fn(X, Y):
  features = dict(X)
  features['weight'] = np.ones(len(X))
  dataset = tf.data.Dataset.from_tensor_slices((features, Y))
  return dataset.repeat(1).batch(len(Y)) # 1 epoch, no batching

model = tf.estimator.LinearClassifier(feature_columns, weight_column='weight')
model.train(input_fn: lambda: batching_fn(X, Y)

但是这样做会使精度降低了6％左右，这是非常重要的。而且大多数来自假阳性，因此该模型并未适当地对否定/假案例进行过采样。