功能列在tensorflow中是如何工作的？

Question

我读到feature columns in tensorflow是用来定义我们的数据的，但是如何以及为什么？特征列是如何工作的？如果我们可以制作一个自定义的估计器而不使用它们，它们为什么会存在？在

如果它们是必要的，为什么像keras这样的库不使用它们呢？在

Answer 1

广义而言

这可能太笼统了，无法回答。你可能想看一些视频或者多读一些关于机器学习的书，因为这是一个广泛的话题。在

我将试着解释数据的哪些特性。在

数据的“特征”是一个有意义的变量，应该将两个类分开。例如，如果我们选择“体重”这个特征，我们就可以区分大象和松鼠。它们的权重非常不同，我们的机器学习算法可以学习“理解”一个体重较重的动物更可能是大象而不是松鼠。在实际场景中，您通常会有多个特性。在

我不知道为什么你会说Keras不使用特性。它们是许多分类问题的基本方面。有些数据集可能包含带标签的数据或带标签的特性，比如这个：https://keras.io/datasets/#cifar100-small-image-classification

当我们“不使用特性”时，我认为更准确的说法是数据没有标记。在这种情况下，机器学习算法仍然可以在数据中找到关系，但是没有人为的标签应用到数据中。在

如果您Ctrl+F在这个页面上使用单词“features”，您将看到Keras接受它们作为参数的位置：https://keras.io/layers/core/

我不是一个机器学习专家，所以如果有人能纠正我的答案，我也会很感激。在

在Tensorflow中

我对Tensorflow's feature columns实现的理解是，它们允许您将原始数据强制转换到类型化列中，从而使算法能够更好地区分您传递的数据类型。例如，纬度和经度可以作为两个数字列传递，但是正如文档中所说的here，使用交叉列表示纬度X经度可以使模型以更有意义/更有效的方式对数据进行训练。毕竟，“纬度”和“经度”的真正含义是“位置”，至于为什么Keras没有这个功能，我不确定，希望其他人能提供关于这个主题的见解。在