Python 在Tensorflow 2估计中使用衍生特征
我使用TF 2罐装估计器(例如BoostedTreesClassifier)和特征列,并希望指定从“原始特征”派生的一些特征。例如,“创建时间”和“更新时间”的原始时间戳,其中我想转换为“创建后的秒数”和“更新后的秒数”。这两个派生的特征都需要一个基本的“现在”时间戳,我将使用它来派生转换的特征。就是Python 在Tensorflow 2估计中使用衍生特征,python,tensorflow,tensorflow2.0,tensorflow-serving,tensorflow-estimator,Python,Tensorflow,Tensorflow2.0,Tensorflow Serving,Tensorflow Estimator,我使用TF 2罐装估计器(例如BoostedTreesClassifier)和特征列,并希望指定从“原始特征”派生的一些特征。例如,“创建时间”和“更新时间”的原始时间戳,其中我想转换为“创建后的秒数”和“更新后的秒数”。这两个派生的特征都需要一个基本的“现在”时间戳,我将使用它来派生转换的特征。就是 # Raw features now create_time update_time # Derived features number_of_seconds_since_create = no
# Raw features
now
create_time
update_time
# Derived features
number_of_seconds_since_create = now - create_time
number_of_seconds_since_update = now - update_time
实现这一点的简单方法是,在培训期间,通过从每行的now
时间戳中减去原始特征值,为这些转换的特征添加新的列以表示我的数据帧。然而,在服务过程中,发出请求的系统也需要进行相同类型的计算。这没什么大不了的,但是我想将所有这些派生的特性转换逻辑封装在模型中,让服务系统简单地接受原始特性
我该怎么做呢
我看不到任何允许这种类型的衍生功能。我可以简单地为派生特性定义新列并在培训期间使用它们,但我不知道如何封装该逻辑以便在服务期间使用
据我所知,(这是我在导出估计器时使用的)期望每个特征都有一个dict,最终将其用作模型的输入。我看不到在培训期间指定转换逻辑的方法