tensorflow2.0线性回归,tensorflow逻辑回归实例

　　本文主要介绍Tensorflow的线性回归模型，通过示例代码进行了非常详细的介绍，对大家的学习或工作有一定的参考价值。有需要的朋友下面跟边肖学习。

　　00-1010 1.线性和非线性回归案例说明1。数据集2。读取训练数据Income.csv并可视化显示3。用Tensorflow建立和训练神经网络模型【线性回归模型的建立】4 .模型预测。

　　线性回归在深度学习中的应用:在深度学习中，我们只是想根据已知的数据点(自变量)和因变量(y)对模型进行训练，得到未知参数A和B的具体值并求和，从而得到预测模型，其中()相当于深度学习中目标对象的特征，(y)相当于具体的目标对象。得到预测模型后，对未知自变量X进行预测，得到预测的Y。

　　线性回归问题与分类问题:回归的反义词是分类。分类的预测输出的Y值是有限的，预测值Y只能是有限集合中的一个。而当要预测y值的输出集是无穷的、连续的时，我们称之为回归。比如天气预报预测明天会不会下雨，这是个二元问题；预测明天的降雨量是一个回归问题。

1.线性与非线性回归

　　了解基本概念后，用Tensorflow实现一个简单的线性回归问题，考察学历与收入的线性关系，如下图：所示。

　　求解未知参数a和b的方法；

案例讲解

　　模型的训练数据存储在一个. csv文件中，其中学历代表学历[自变量X]，收入代表收入[因变量Y]。

　　目标:我们需要用教育和收入的已知数据值来求解未知参数A和B的值，得到教育和收入的线性关系。

1.数据集

　　将张量流作为tf导入

　　将numpy作为np导入

　　# 1.检查tensorflow版本

　　打印( Tensorflow版本{} )。格式(tf。__version__))

　　# 2 .熊猫看书。包含线性关系的csv文件。

　　进口熊猫作为pd

　　data=PD . read _ CSV( d : \ Project \ TesorFlow \ datasets \ income . CSV )

　　打印(数据)

　　# 3.绘制线性回归关系-散点图

　　将matplotlib.pyplot作为plt导入

　　plt.scatter(数据。教育，数据。收入)

　　plt.show()

2.读取训练数据Income.csv并可视化展示

　　# 4.尖叫序列模型的建立

　　#顺序模型是指网络是逐层构建的，上一层的输出是下一层的输入。

　　model=tf.keras

　　Sequential()

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

　　# dense(输出数据的维度，输入数据的维度)

　　# 5.查看模型的结构

　　model.summary()

　　# 6.编译模型 - 配置的过程, 优化算法方式（梯度下降）、损失函数

　　# Adam优化器的学习速率默认为0.01

　　model.compile(optimizer=adam,

　　 loss = mse)

　　# 7.训练模型,记录模型的训练过程 history

　　# 训练过程是loss函数值降低的过程:

　　# 即不断逼近最优的a和b参数值的过程

　　# 这个过程要训练很多次epoch,epoch是指对所有训练数据训练的次数

　　history = model.fit(x,y,epochs=100)

　　model.summary(): 查看我们创建的神经网络模型,这里我们只添加了一层全连接层。

　　训练过程:这里只训练100个epoch.

4. 模型预测

# 8.已知数据预测
　　model.predict(x)
　　print(model.predict(x))
　　# 9.随机数据预测: 
　　# """
　　# 注意：pandas数据结构是数据框DataFrame和 序列 Series
　　# 序列（Series）是二维表格中的一列或者一行。实际上，当访问DataFrame的一行时，pandas自动把该行转换为序列；当访问DataFrame的一列时，Pandas也自动把该列转换为序列。
　　# 序列是由一组数据（各种NumPy数据类型），以及一组与之相关的数据标签（索引）组成，序列不要求数据类型是相同的,序列可以看作是一维数组(一行或一列)
　　# 序列的表现形式为：索引在左边，值在右边。由于没有显式为Series指定索引，pandas会自动创建一个从0到N-1的整数型索引。
　　# """
　　# test_predict = model.predict(pd.Series([20])) # 所以这里输入时需要将其转换为Series结构
　　test_predict = model.predict(pd.Series([10,20])) # 预测的数据为10和20
　　print(test_predict)
　　print(pd.DataFrame([(10,20,30)]))

　　已知结果的数据预测的结果: 查看我们创建的神经网络模型,这里我们只添加了一层全连接层。

　　未知结果的数据预测的结果: 可以看到预测结果很差，说明我们的神经网络模型并没有训练好,求解得到的未知参数的a和b的值很差。

　　解决办法:: 加深神经网络模型的参数,训练更多的次数epoch或者添加实验数据。

　　sklearn库有写好了的线性回归函数，from sklearn.linear_model import LinearRegression直接导入即可。

　　到此这篇关于Tensorflow 实现线性回归模型的示例代码的文章就介绍到这了,更多相关Tensorflow 线性回归模型内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。