线性回归模型
使用 来映射输入特征和输出值, 为权重, 为偏置。
损失函数:
优化目标:
找到合适的 和 ,使得 越小越好。
大体步骤:
- 读取数据集(此处使用波士顿房价数据集)
- 定义变量和模型
- 设置超参数、训练模型
- 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