在Tensorflow上训练随机森林

我试图在数值和连续数据上训练基于张量流的随机森林回归 .

当我尝试拟合我的估算器时，它会从下面的消息开始：

INFO：tensorflow：使用params构建林= INFO：tensorflow：{'num_trees'：10，'max_nodes'：1000，'bagging_fraction'：1.0，'feature_bagging_fraction'：1.0，'num_splits_to_consider'：10，'max_fertile_nodes'：0 ，'split_after_samples'：250，'valid_leaf_threshold'：1，'dominate_method'：'bootstrap'，'dominate_fraction'：0.99，'model_name'：'all_dense'，'split_finish_name'：'basic'，'split_pruning_name'：'none' ，'collate_examples'：False，'checkpoint_stats'：False，'use_running_stats_method'：False，'initialize_average_splits'：False，'inference_tree_paths'：False，'param_file'：无，'split_name'：'less_or_equal'，'early_finish_check_every_samples'：0 ，'prune_every_samples'：0，'feature_columns'：[_ NumericColumn（key ='Average_Score'，shape =（1，），default_value = None，dtype = tf.float32，normalizer_fn = None），_ NomericColumn（key ='lat'， shape =（1，），default_value = None，dtype = tf.float32，normalizer_fn = None），_ NomericColumn（key ='lng'，shape =（1，），default_value = None，dtype = tf.float32，normalizer _fn =无）]，'num_classes'：1，'num_features'：2，'regression'：True，'bagged_num_features'：2，'bagged_features'：无，'num_outputs'：1，'num_output_columns'：2，'base_random_seed '：0，'leaf_model_type'：2，'stats_model_type'：2，'finish_type'：0，'pruning_type'：0，'split_type'：0}

然后该过程发生故障，我得到一个值错误：

ValueError：Shape必须至少为2级，但对于'concat'（op：'ConcatV2'）具有输入形状的等级为1：[？]，[？]，[？]，[]和计算输入张量：输入[3] = <1> .

这是我正在使用的代码：

import tensorflow as tf
from tensorflow.contrib.tensor_forest.python import tensor_forest
from tensorflow.python.ops import resources
import pandas as pd
from tensorflow.contrib.tensor_forest.client import random_forest
from tensorflow.python.estimator.inputs import numpy_io
import numpy as np

def getFeatures():
    Average_Score = tf.feature_column.numeric_column('Average_Score')
    lat = tf.feature_column.numeric_column('lat')
    lng = tf.feature_column.numeric_column('lng')
    return [Average_Score,lat ,lng]

# Import hotel data
Hotel_Reviews=pd.read_csv("./DataMining/Hotel_Reviews.csv")

Hotel_Reviews_Filtered=Hotel_Reviews[(Hotel_Reviews.lat.notnull() | 
    Hotel_Reviews.lng.notnull())]

Hotel_Reviews_Filtered_Target = Hotel_Reviews_Filtered[["Reviewer_Score"]]
Hotel_Reviews_Filtered_Features = Hotel_Reviews_Filtered[["Average_Score","lat","lng"]]

#Preprocess the data
x=Hotel_Reviews_Filtered_Features.to_dict('list')
for key in x:
    x[key] = np.array(x[key])
y=Hotel_Reviews_Filtered_Target.values

#specify params
params = tf.contrib.tensor_forest.python.tensor_forest.ForestHParams(
  feature_colums= getFeatures(), 
  num_classes=1, 
  num_features=2, 
  regression=True, 
  num_trees=10, 
  max_nodes=1000)

#build the graph
graph_builder_class = tensor_forest.RandomForestGraphs

est=random_forest.TensorForestEstimator(
  params, graph_builder_class=graph_builder_class)

#define input function
train_input_fn = numpy_io.numpy_input_fn(
  x=x,
  y=y,
  batch_size=1000,
  num_epochs=1,
  shuffle=True)

est.fit(input_fn=train_input_fn, steps=500)

变量x是形状为 (512470,) 的numpy数组的列表：

{'Average_Score': array([ 7.7,  7.7,  7.7, ...,  8.1,  8.1,  8.1]),
 'lat': array([ 52.3605759,  52.3605759,  52.3605759, ...,  48.2037451,
     48.2037451,  48.2037451]),
 'lng': array([  4.9159683,   4.9159683,   4.9159683, ...,  16.3356767,
     16.3356767,  16.3356767])}

变量y是形状为 (512470,1) 的numpy数组：

array([[ 2.9],
   [ 7.5],
   [ 7.1],
   ..., 
   [ 2.5],
   [ 8.8],
   [ 8.3]])