第Tensorflow實(shí)現(xiàn)線性回歸模型的示例代碼目錄1.線性與非線性回歸案例講解1.數(shù)據(jù)集2.讀取訓(xùn)練數(shù)據(jù)Income.csv并可視化展示3.利用Tensorflow搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型【線性回歸模型的建立】4.模型預(yù)測(cè)

1.線性與非線性回歸

線性回歸LinearRegression：兩個(gè)變量之間的關(guān)系是一次函數(shù)關(guān)系的圖像是直線，叫做線性。線性是指廣義的線性，也就是數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系,如圖x1。

非線性回歸：兩個(gè)變量之間的關(guān)系不是一次函數(shù)關(guān)系的圖像不是直線，叫做非線性，如圖x2。

一元線性回歸:只包括一個(gè)自變量和一個(gè)因變量，且二者的關(guān)系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。函數(shù)表達(dá):y=bx+a。

多元線性回歸：包括兩個(gè)或兩個(gè)以上相互獨(dú)立的自變量(x1,x2,x3...)，且因變量(y)和自變量之間是線性關(guān)系，則稱為多元線性回歸分析。函數(shù)表達(dá):

線性回歸在深度學(xué)習(xí)中的應(yīng)用:在深度學(xué)習(xí)中，我們就是要根據(jù)已知數(shù)據(jù)點(diǎn)(自變量)和因變量(y)去訓(xùn)練模型得到未知參數(shù)a和b、和的具體值,從而得到預(yù)測(cè)模型，在這里()相當(dāng)于深度學(xué)習(xí)中目標(biāo)對(duì)象的特征，(y)相當(dāng)于具體的目標(biāo)對(duì)象。得到預(yù)測(cè)模型之后再對(duì)未知的自變量x進(jìn)行預(yù)測(cè),得到預(yù)測(cè)的y。

線性回歸問(wèn)題與分類問(wèn)題：與回歸相對(duì)的是分類問(wèn)題(classification)，分類問(wèn)題預(yù)測(cè)輸出的y值是有限的，預(yù)測(cè)值y只能是有限集合內(nèi)的一個(gè)。而當(dāng)要預(yù)測(cè)值y輸出集合是無(wú)限且連續(xù)，我們稱之為回歸。比如，天氣預(yù)報(bào)預(yù)測(cè)明天是否下雨，是一個(gè)二分類問(wèn)題；預(yù)測(cè)明天的降雨量多少，就是一個(gè)回歸問(wèn)題。

案例講解

了解基礎(chǔ)概念之后，使用Tensorflow實(shí)現(xiàn)一個(gè)簡(jiǎn)單的一元線性回歸問(wèn)題,調(diào)查學(xué)歷和收入之間的線性關(guān)系,如下所示:

求解未知參數(shù)a和b的方法：

1.數(shù)據(jù)集

模型訓(xùn)練的數(shù)據(jù)存儲(chǔ)在一個(gè).csv文件里，Education代表學(xué)歷【自變量x】，Income代表收入【因變量y】。

目標(biāo):我們要利用已知的Education和income數(shù)據(jù)值，求解未知參數(shù)a和b的值,得到Education和Income之間的線性關(guān)系。

2.讀取訓(xùn)練數(shù)據(jù)Income.csv并可視化展示

importtensorflowastf

importnumpyasnp

#1.查看tensorflow版本

print("TensorflowVersion{}".format(tf.__version__))

#2.pandas讀取包含線性關(guān)系的.csv文件

importpandasaspd

data=pd.read_csv('D:\Project\TesorFlow\datasets\Income.csv')

print(data)

#3.繪制線性回歸關(guān)系-散點(diǎn)圖

importmatplotlib.pyplotasplt

plt.scatter(data.Education,data.Income)

plt.show()

3.利用Tensorflow搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型【線性回歸模型的建立】

#4.順序模型squential的建立

#順序模型是指網(wǎng)絡(luò)是一層一層搭建的，前面一層的輸出是后一層的輸入。

model=tf.keras.Sequential()

model.add(tf.keras.layers.Dense(1,input_shape=(1,)))

#dense(輸出數(shù)據(jù)的維度，輸入數(shù)據(jù)的維度)

#5.查看模型的結(jié)構(gòu)

model.summary()

#6.編譯模型-配置的過(guò)程,優(yōu)化算法方式（梯度下降）、損失函數(shù)

#Adam優(yōu)化器的學(xué)習(xí)速率默認(rèn)為0.01

pile(optimizer='adam',

loss='mse')

#7.訓(xùn)練模型,記錄模型的訓(xùn)練過(guò)程history

#訓(xùn)練過(guò)程是loss函數(shù)值降低的過(guò)程:

#即不斷逼近最優(yōu)的a和b參數(shù)值的過(guò)程

#這個(gè)過(guò)程要訓(xùn)練很多次epoch,epoch是指對(duì)所有訓(xùn)練數(shù)據(jù)訓(xùn)練的次數(shù)

history=model.fit(x,y,epochs=100)

model.summary():查看我們創(chuàng)建的神經(jīng)網(wǎng)絡(luò)模型,這里我們只添加了一層全連接層。

訓(xùn)練過(guò)程:這里只訓(xùn)練100個(gè)epoch.

4.模型預(yù)測(cè)

#8.已知數(shù)據(jù)預(yù)測(cè)

model.predict(x)

print(model.predict(x))

#9.隨機(jī)數(shù)據(jù)預(yù)測(cè):

#"""

#注意：pandas數(shù)據(jù)結(jié)構(gòu)是數(shù)據(jù)框DataFrame和序列Series

#序列（Series）是二維表格中的一列或者一行。實(shí)際上，當(dāng)訪問(wèn)DataFrame的一行時(shí)，pandas自動(dòng)把該行轉(zhuǎn)換為序列；當(dāng)訪問(wèn)DataFrame的一列時(shí)，Pandas也自動(dòng)把該列轉(zhuǎn)換為序列。

#序列是由一組數(shù)據(jù)（各種NumPy數(shù)據(jù)類型），以及一組與之相關(guān)的數(shù)據(jù)標(biāo)簽（索引）組成，序列不要求數(shù)據(jù)類型是相同的,序列可以看作是一維數(shù)組(一行或一列)

#序列的表現(xiàn)形式為：索引在左邊，值在右邊。由于沒有顯式為Series指定索引，pandas會(huì)自動(dòng)創(chuàng)建一個(gè)從0到N-1的整數(shù)型索引。

#"""

#test_predict=model.predict(pd.Series([20]))#所以這里輸入時(shí)需要將其轉(zhuǎn)換為Series結(jié)構(gòu)

test_predict=model.predict(pd.Series([10,20]))#預(yù)測(cè)的數(shù)據(jù)為10和20

print(test_predict)

print(pd.DataFrame([(10,20,30)]))

已知結(jié)果的數(shù)據(jù)預(yù)測(cè)的結(jié)果:查看我們創(chuàng)建的神經(jīng)網(wǎng)絡(luò)模型,這里我們只添加了一層全連接層。

未知結(jié)果的數(shù)據(jù)預(yù)測(cè)的結(jié)果:可以看到預(yù)測(cè)結(jié)果很差，說(shuō)明我們的神經(jīng)網(wǎng)絡(luò)模型并沒有訓(xùn)練好,求解得到的未知參數(shù)的a和b的