（一）簡 介

用於建立提升樹模型分類器，定義在tensorflow/python/estimator/canned/boosted_trees.py中，以下為使用示例：

bucketized_feature_1 = bucketized_column(
  numeric_column('feature_1'), BUCKET_BOUNDARIES_1)
bucketized_feature_2 = bucketized_column(
  numeric_column('feature_2'), BUCKET_BOUNDARIES_2)
  
# 建立分類器
classifier = estimator.
 
BoostedTreesClassifier(
    feature_columns=[bucketized_feature_1, bucketized_feature_2],
    n_batches_per_layer=n_batches_per_layer,
    n_trees=100,
    ... <其他超引數>
)
# 定義訓練資料輸入函式
def input_fn_train():
  ...
  return dataset

classifier.train(input_fn=input_fn_train)
# 定義評估資料輸入函式
def input_fn_eval
 
():
  ...
  return dataset

metrics = classifier.evaluate(input_fn=input_fn_eval)

（二）初始化

__init__(
    feature_columns,
    n_batches_per_layer,
    model_dir=None,
    n_classes=_HOLD_FOR_MULTI_CLASS_SUPPORT,
    weight_column=None,
    label_vocabulary=None,
    n_trees=100,
    max_depth=6,
    learning_rate=
 
0.1,
    l1_regularization=0.0,
    l2_regularization=0.0,
    tree_complexity=0.0,
    min_node_weight=0.0,
    config=None,
    center_bias=False,
    pruning_mode='none'
)

引數如下：

• feature_columns:
  一個包含了所有模型所需的特徵的迭代器，其中的元素都必須是來自FeatureColumn的例項。

• n_batches_per_layer:
  每層收集統計資料的批次數，批的總數是按批次大小劃分的資料總數。

• model_dir:
  儲存模型的路徑

• n_classes:
  標籤的種類，預設為二分類，還沒有實現多分類支援。

• weight_column:
  由 tf.feature_column.numeric_column建立的一個字串或者數字列用來呈現特徵列。他將會被乘以example的訓練損失。

• label_vocabulary:
  一個字串列表用來呈現可能的標籤取值，如果給出，則必須為字元型，如果沒有給出，則會預設編碼為整型，為{0, 1,…, n_classes-1} 。

• n_trees:
  生成樹的數量。

• max_depth:
  樹生長的最大深度。

• learning_rate:
  當一個樹被新增進模型時使用的收縮引數。

• l1_regularization:
  正則化乘法運算元應用於葉子結點的絕對權。

• l2_regularization:
  正則化乘法運算元應用於葉子結點的平方權。

• tree_complexity:
  正規化因子用來懲罰擁有更多樹葉的樹。

• min_node_weight:
  最小節點權重

• config:
  一個執行配置物件，用來配置執行時間。

• center_bias:
  中心偏差

• pruning_mode:
  剪枝操作，可以選擇‘none’，‘pre’，‘post’，以指定為‘不剪枝’、‘預剪枝’、‘後剪枝’，對於‘預剪枝’和‘後剪枝’，你必須使樹的複雜度大於0.

（三）屬 性（Properties）

• config
• model_dir
• model_fn
  Returns the model_fn which is bound to self.params.

返回：
model_fn 附有以下標記: def model_fn(features, labels, mode, config)

（四）方 法（Methods）

（1）evaluate（評估）

evaluate(
    input_fn,
    steps=None,
    hooks=None,
    checkpoint_path=None,
    name=None
)

評估函式，使用input_fn給出的評估資料評估訓練好的模型，引數列表如下：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。
• checkpoint_path:
  用來儲存訓練好的模型
• name:
  如果使用者需要在不同的資料集上執行多個評價，如訓練集和測試集，則為要進行評估的名稱，不同的評估度量被儲存在單獨的資料夾中，並分別出現在tensorboard中。

（2）predict（預測）

predict(
   input_fn,
   predict_keys=None,
   hooks=None,
   checkpoint_path=None,
   yield_single_examples=True
)

使用訓練好的模型對新例項進行預測，以下為引數列表：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。

• predict_keys:
  預測函式最終會返回一系列的結果，但我們可以有選擇地讓其輸出，可供選擇的keys列表為[‘logits’, ‘logistic’, ‘probabilities’, ‘class_ids’, ‘classes’]，如果不指定的話，預設返回所有值。

• hooks:
  tf.train.SessionRunHook的子類例項列表，在預測呼叫中用於傳回。

• checkpoint_path:
  訓練好的模型的目錄

• yield_single_examples:
  可以選擇False或是True，如果選擇False，由model_fn返回整個批次，而不是將批次分解為單個元素。當model_fn返回的一些的張量的第一維度和批處理數量不相等時，這個功能是很用的。

（3）train（訓練）

train(
    input_fn,
    hooks=None,
    steps=None,
    max_steps=None,
    saving_listeners=None
)

用於訓練模型，以下為引數列表：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。

• hooks:
  tf.train.SessionRunHook的子類例項列表，在預測呼叫中用於傳回。

• steps:
  模型訓練的次數，如果不指定，則會一直訓練知道input_fn傳回的資料消耗完為止。如果你不想要增量表現，就設定max_steps來替代，注意設定了steps，max_steps必須為None，設定了max_steps，steps必須為None。

• max_steps:
  模型訓練的總次數，注意設定了steps，max_steps必須為None，設定了max_steps，steps必須為None。

• saving_listeners:
  CheckpointSaverListener物件的列表，用於在檢查點儲存之前或之後立即執行的回撥。