【TensorFlow】—— 使用TensorFlow实现线性回归（波士顿房价数据集）

线性回归模型

$f(x)= ax + b$
使用 $f(x)$ 来映射输入特征和输出值，$a$ 为权重，$b$ 为偏置。

损失函数：

$MSE = \frac{1}{n}\displaystyle \sum^n_{i=1}(f(x)-y)^2$

优化目标：

找到合适的 $a$ 和 $b$，使得 $(f(x) - y)²/n$ 越小越好。

---

大体步骤：

1. 读取数据集（此处使用波士顿房价数据集）
2. 定义变量和模型
3. 设置超参数、训练模型
4. 对模型进行预测评估

---

读取数据集：

import tensorflow as tf
from sklearn import datasets
import matplotlib.pyplot as plt
boston = datasets.load_boston()

X = boston.data[:, 5] # 取出房间数量这一特征
y = boston.target
plt.scatter(X, y)

Output：

---

定义变量和模型：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
model.summary() # 打印出模型概述信息

Output：

模型概述信息

---

设置超参数、训练模型：

model.compile(optimizer='adam', loss='mse') # 选择优化器adam，损失函数mse
history = model.fit(X, y, epochs=5000) # 训练模型

Output：

---

对模型进行预测评估：

print(model.predict(X)) # 预测一下

Output：