在最近的工作中，我需要尝试不同的机器学习模型来解决我的非线性问题。我使用TensorFlow和Keras构建了逻辑回归和神经网络的工作版本。现在我需要为同样的问题构建一个SVM分类器。由于我在TensorFlow中找不到可用的SVM估计器，我考虑使用scikit-learn来代替。在我的前两个模型中，我使用了tf.feature_column来预处理数据（如bucketized_column、embedding_column、crossed_column等）。由于这种预处理方法相当复杂且效果不错，我在想是否可以将TensorFlow的预处理与scikit-learn结合使用。

这是否有可能实现？或者我能否以某种方式在TensorFlow内部使用scikit-learn（类似于Keras），这样我也可以使用TensorBoard来分析我的结果？

这是我代码中相关部分的概述：

(feature_columns, train_ds, val_ds, test_ds) = preprocessing.getPreProcessedData(args.data, args.zip, args.batchSize)

在模型模块中，我使用这个函数调用来获取预处理后的数据。feature_columns是一个包含不同类型tf.feature_column映射的数组。train_ds等是TensorFlow数据集。

使用feature_columns数组创建DenseFeature：

feature_layer = tf.keras.layers.DenseFeatures(feature_columns, trainable=False)

使用预处理构建Keras模型：

    model = tf.keras.models.Sequential([        feature_layer,        tf.keras.layers.Dense(1, activation=tf.nn.sigmoid)    ])

模型拟合：

    model.fit(train_ds,              validation_data=val_ds,              epochs=args.epoch,              callbacks=[tensorboard_callback])

回答：

我已经解决了我的问题。我编写了一个新的函数(feature_columns, train, val, test) = preprocessing.getPreProcessedDataframes(args.data, args.zip, args.batchSize)，它返回的是pandas数据框而不是TensorFlow数据集。之后，我使用feature_layer对数据框进行预处理，这些数据框作为scikit-learn分类器的训练输入。

对数据框应用预处理：

x_train = feature_layer(dict(train)).numpy()x_test = feature_layer(dict(test)).numpy()

训练：

model.fit(x_train, y_train)