TensorFlow實現(xiàn)多元線性回歸
多元線性回歸的具體實現(xiàn)

1. 導(dǎo)入需要的所有軟件包：
   

2. 因為各特征的數(shù)據(jù)范圍不同，需要歸一化特征數(shù)據(jù)。為此定義一個歸一化函數(shù)。另外，這里添加一個額外的固定輸入值將權(quán)重和偏置結(jié)合起來。為此定義函數(shù) append_bias_reshape()。該技巧有時可有效簡化編程：
   

3. 現(xiàn)在使用 TensorFlow contrib 數(shù)據(jù)集加載波士頓房價數(shù)據(jù)集，并將其劃分為 X_train 和 Y_train。注意到 X_train 包含所需要的特征。可以選擇在這里對數(shù)據(jù)進(jìn)行歸一化處理，也可以添加偏置并對網(wǎng)絡(luò)數(shù)據(jù)重構(gòu)：
   

4. 為訓(xùn)練數(shù)據(jù)聲明 TensorFlow 占位符。觀測占位符 X 的形狀變化：
   

5. 為權(quán)重和偏置創(chuàng)建 TensorFlow 變量。通過隨機(jī)數(shù)初始化權(quán)重：
   

6. 定義要用于預(yù)測的線性回歸模型。現(xiàn)在需要矩陣乘法來完成這個任務(wù)：
   

7. 為了更好地求微分，定義損失函數(shù)：
   

8. 選擇正確的優(yōu)化器：
   

9. 定義初始化操作符：
   

10. 開始計算圖：
    

11. 繪制損失函數(shù)：
    

在這里，我們發(fā)現(xiàn)損失隨著訓(xùn)練過程的進(jìn)行而減少：

使用了 13 個特征來訓(xùn)練模型。簡單線性回歸和多元線性回歸的主要不同在于權(quán)重，且系數(shù)的數(shù)量始終等于輸入特征的數(shù)量。下圖為所構(gòu)建的多元線性回歸模型的 TensorBoard 圖：

現(xiàn)在可以使用從模型中學(xué)到的系數(shù)來預(yù)測房價：

總結(jié)

以上是生活随笔為你收集整理的TensorFlow多元线性回归实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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