时间戳

首页 > 解决方案 > weight_column 值归一化

python - weight_column 值归一化

问题描述

我使用 TensorFlow 罐装估计器从最有利于得分的情况中预测游戏动作（没有“好”或“坏”答案，但根据情况，答案比另一个更好）。这种现实由每个情况/动作样本的分数表示。分数包含在 train_data 中并用作权重，并在估计器中作为权重列传递。

1 ) 我试过没有权重栏：模型适合大约 70% 的答案。该模型对于主要示例是正确的，但对于边缘示例不是最佳的（大约 20 % 剩余......）

2 ) 我尝试使用 weight = exp(-score)。模型拟合约 45%，更好地处理边缘示例，但对主要示例的准确性非常差。

我认为我的体重秤 [0.0001 - 5003.98] 存在问题，最佳结果为 0.0001，价值为 5003.98。规范化它的好方法是什么？

我读了公式 weight = (score - mean(score)) / std(score) 可能是一个解决方案，但似乎不起作用

model = tf.estimator.LinearClassifier(feature_columns=feature_columns,
                                    optimizer=tf.train.AdamOptimizer(learning_rate=0.001, beta1= 0.9,beta2=0.99, epsilon = 1e-08,use_locking=False),
                                    weight_column=weights,
                                    n_classes=10,
                                    label_vocabulary=Action_vocab,
                                    model_dir='./Models/ActionPlayerModel20/',
                                    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE,
                                    config=tf.estimator.RunConfig().replace(save_summary_steps=10))

weight = exp(-score)

标签： pythontensorflownormalizationweighted

解决方案

通过这样做（缩放）解决了重量问题：

 scaledWeight = (weight-weightMin)/(weightMax-weightMin)

它没有完全解决我的问题（更好但不是最佳精度）。所以，我尝试了特征归一化和标准化：归一化准确率高，但过拟合很快；非常好的准确性和缓慢的标准化过拟合。

标准化代码：

    tf.feature_column.numeric_column("Round",dtype=tf.dtypes.float32, normalizer_fn=lambda x: (x - roundMean) / roundStd),

推荐阅读