TensorFlow簡(jiǎn)單線(xiàn)性回歸
將針對(duì)波士頓房?jī)r(jià)數(shù)據(jù)集的房間數(shù)量（RM）采用簡(jiǎn)單線(xiàn)性回歸，目標(biāo)是預(yù)測(cè)在最后一列（MEDV）給出的房?jī)r(jià)。
波士頓房?jī)r(jià)數(shù)據(jù)集可從http://lib.stat.cmu.edu/datasets/boston處獲取。
直接從 TensorFlow contrib 數(shù)據(jù)集加載數(shù)據(jù)。使用隨機(jī)梯度下降優(yōu)化器優(yōu)化單個(gè)訓(xùn)練樣本的系數(shù)。
實(shí)現(xiàn)簡(jiǎn)單線(xiàn)性回歸的具體做法

1. 導(dǎo)入需要的所有軟件包：
   

2. 在神經(jīng)網(wǎng)絡(luò)中，所有的輸入都線(xiàn)性增加。為了使訓(xùn)練有效，輸入應(yīng)該被歸一化，所以這里定義一個(gè)函數(shù)來(lái)歸一化輸入數(shù)據(jù)：
   

3. 現(xiàn)在使用 TensorFlow contrib 數(shù)據(jù)集加載波士頓房?jī)r(jià)數(shù)據(jù)集，并將其分解為 X_train 和 Y_train。可以對(duì)數(shù)據(jù)進(jìn)行歸一化處理：
   

4. 為訓(xùn)練數(shù)據(jù)聲明 TensorFlow 占位符：
   

5. 創(chuàng)建 TensorFlow 的權(quán)重和偏置變量且初始值為零：
   

6. 定義用于預(yù)測(cè)的線(xiàn)性回歸模型：
   

7. 定義損失函數(shù)：
   

8. 選擇梯度下降優(yōu)化器：
   

9. 聲明初始化操作符：
   

10. 現(xiàn)在，開(kāi)始計(jì)算圖，訓(xùn)練 100 次：
    

11. 查看結(jié)果：
    

解讀分析
從下圖中可以看到，簡(jiǎn)單線(xiàn)性回歸器試圖擬合給定數(shù)據(jù)集的線(xiàn)性線(xiàn)：

在下圖中可以看到，隨著模型不斷學(xué)習(xí)數(shù)據(jù)，損失函數(shù)不斷下降：

下圖是簡(jiǎn)單線(xiàn)性回歸器的 TensorBoard 圖：

該圖有兩個(gè)名稱(chēng)范圍節(jié)點(diǎn) Variable 和 Variable_1，它們分別是表示偏置和權(quán)重的高級(jí)節(jié)點(diǎn)。以梯度命名的節(jié)點(diǎn)也是一個(gè)高級(jí)節(jié)點(diǎn)，展開(kāi)節(jié)點(diǎn)，可以看到它需要 7 個(gè)輸入并使用 GradientDescentOptimizer 計(jì)算梯度，對(duì)權(quán)重和偏置進(jìn)行更新：

總結(jié)
本節(jié)進(jìn)行了簡(jiǎn)單的線(xiàn)性回歸，但是如何定義模型的性能呢？
有多種方法可以做到這一點(diǎn)。統(tǒng)計(jì)上來(lái)說(shuō)，可以計(jì)算 R2 或?qū)?shù)據(jù)分為訓(xùn)練集和交叉驗(yàn)證集，并檢查驗(yàn)證集的準(zhǔn)確性（損失項(xiàng)）。

總結(jié)

以上是生活随笔為你收集整理的TensorFlow简单线性回归的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。