Python Tensorflow 2.0-我可以使用“tf.keras”从增强的树模型中获得类概率吗？

我正在Tensorflow 2.0中开发一个二进制分类模型。我有一些不同类型的模型，但我正在考虑使用一个增强的树模型来进行分类。然而，我需要我的模型来输出类概率。所以基本上是一个输出为0或1的概率，基于树。在这种情况下，通常可能是逻辑回归，但在这种情况下，我想尝试一种基于树的方法

我知道我可以在Tensorflow 2.0中使用增强树模型，使用

tf.Estimators

api，但是为了获得类概率，我通常需要一个最终的

tf.keras

密集层和一个sigmoid激活。所以理论上我想要下面的代码。下面的代码不起作用，但本质上是伪代码，因为我不相信

Keras

模型不适用于

tf.Estimators

，但这正是我想做的

import tensorflow as tf
from tensorflow import keras

model = keras.Sequential([
      tf.estimator.BoostedTreesClassifier(feature_columns, **params), # <-- HOW TO DO THIS?
      keras.layers.Dense(1, activation='sigmoid',
                         bias_initializer=output_bias),
  ])

将tensorflow导入为tf
从tensorflow进口keras
模型=keras.连续([
tf.estimator.BoostedTreesClassifier（特征列，**参数），#你得到答案了吗？我也在想这个问题…是的。我想如果你把感测节点的数量等于类的数量，比如说3个类，然后是3个节点。那么你应该得到每个类的概率作为输出。如果每个节点被限制在0和1之间，那么sigmoid特性应该给你一个probability.我最近没有测试过这个，但它应该可以工作。谢谢！我想我有一个更基本的问题，如何从估计器（tf.estimator.BoostedTreesClassifier）获得输出，并在下一层使用输出？因为我想使用BoostedTrees进行特征转换，然后将其输入到密集层