對于我最近的工作，我必須針對給定的非線性問題嘗試不同的 ML 模型。我使用 TensorFlow 和 Keras 構建了邏輯回歸和神經網絡的工作版本。現在我必須為同樣的問題構建一個 SVM 分類器。由于我在 TensorFlow 中找不到有效的 SVM 估計器，我正在考慮改用 scikit-learn。在我的前兩個模型中，我使用 tf.feature_column 來預處理我的數據（bucketized_column、embedding_column、crossed_column 等）。由于這種預處理在某種程度上很復雜并且效果很好，我想知道我是否可以將 TensorFlow 預處理與 scikit-learn 結合使用。這有可能嗎？或者我可以在 TensorFlow（類似于 Keras）中以某種方式使用 scikit-learn，這樣我也可以使用 TensorBoard 來分析我的結果嗎？這里是我的代碼中相關部分的概述：(feature_columns, train_ds, val_ds, test_ds) = preprocessing.getPreProcessedData(args.data, args.zip, args.batchSize)在模型模塊中，我使用此函數調用來獲取預處理數據。feature_columns是 tf.feature_column 的不同類型映射的數組。train_ds等是 TensorFlow 數據集。在 array 的幫助下創建 DenseFeature feature_columns：feature_layer = tf.keras.layers.DenseFeatures(feature_columns, trainable=False)使用預處理構建 Keras 模型：    model = tf.keras.models.Sequential([        feature_layer,        tf.keras.layers.Dense(1, activation=tf.nn.sigmoid)    ])模型的擬合：    model.fit(train_ds,              validation_data=val_ds,              epochs=args.epoch,              callbacks=[tensorboard_callback])