Tensorflow tf.contrib.learn.LinearRegressor为具有一个特征的数据构建意外错误的模型

我正在为数据建立一个简单的线性回归。数据包括一些人的体重和身高值。整个学习过程非常简单：

MAX_STEPS = 2000
# ...
features = [tf.contrib.layers.real_valued_column(feature_name) for feature_name in FEATURES_COL]
# ...
linear_regressor = tf.contrib.learn.LinearRegressor(feature_columns=features)
linear_regressor.fit(input_fn=prepare_input, max_steps=MAX_STEPS)

然而，回归者建立的模型出人意料地糟糕。结果如下图所示：

可视化代码（以防万一）：

以下是scikit学习中为线性回归类提供的相同数据：

lr_updated = linear_model.LinearRegression()
lr_updated.fit(weight_filtered_reshaped, height_filtered)

以及可视化：

增加步数没有效果。我会假设我用了一种错误的方法从张量流中得到了回归量

---

看起来您的TF模型确实有效，并且需要足够的步骤才能实现。您需要立即启动它，尽管-200K显示了显著的改进，几乎与sklearn默认值一样好

我认为有两个问题：

sklearn看起来像是用普通最小二乘法简单地解出了方程。TF的线性累加器使用。本文指出，对于超大数据集，它是一种较好的选择

模型的

输入\u fn

一次为每个步骤注入整个训练集。这只是一种预感，但我怀疑FtrlOptimizer如果一次看到批，可能会做得更好

您还可以在优化器上提升学习速率（默认值为0.2），而不仅仅是将步数提高几个数量级，并仅从4k步数中获得类似的良好结果：

linear_regressor = tf.contrib.learn.LinearRegressor(
    feature_columns=features, 
    optimizer=tf.train.FtrlOptimizer(learning_rate=5.0))

---

我遇到了类似的问题。解决方法是检查您的输入是否有足够的历元。在对整个训练数据进行多次迭代之前，训练可能不会收敛

linear_regressor = tf.contrib.learn.LinearRegressor(
    feature_columns=features, 
    optimizer=tf.train.FtrlOptimizer(learning_rate=5.0))