TensorFlow 实战多元线性回归问题
TensorFlow 实战
多元线性回归问题
本文小编将以一个具体例子来说明如何用 TensorFlow 来实现多元线性回归问题。我们以波士顿房价预测为例进行讲解。
1、 情景引入
波士顿房价数据集包括506个样本，每个样本包括12个特征变量和该地区的平均房价。房价显然和多个特征变量是相关的，因此需要选择多个特征变量来建立线性方程，这就是典型的多变量线性回归问题，下面是多元线性回归模型公式：y=w0+w1x1+w2x2+...+wn*xn+b
下面是波士顿房价的数据集部分展示，后面我们将使用数据集进行模型实现。
2、读取数据并归一化
通过pandas读取数据文件，列出统计概述。
%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport pandas as pd#读取数据文件df = pd.read_csv("./boston.csv",header=0)#显示数据摘要描述信息print(df.describe())
#对数据归一化到0-1之间for i in range(12):df[:,i]=(df[:,i]-df[:,i].min())/(df[:,i].max()-df[:,i].min())#x_data为归一化后的前12列特征数据x_data = df[:,:12]#y_data为最后一列标签数据y_data = df[:12]
3、模型定义
首先定义特征数据和标签数据的占位符，shape中None表示行的数量未知，在实际训练时决定一次代入多少行样本，从一个样本的随机SDG到批量SDG都可以。
x = tf.placeholder(tf.float32,[None,12],name="x")y = tf.placeholder(tf.float32,[None,1],name="y")
定义模型函数
4、训练模型
设置训练超参数
#迭代次数train_epochs = 50#学习率learning_rate = 0.01
定义均方差损失函数
with tf.name_scope("LossFunction"): loss_function = tf.reduce_mean(tf.pow(y-pred,2)) #均方误差选择优化器，初始化一个GradientDescentOptimizer
#梯度下降优化器optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
5、创建会话
声明会话
sess = tf.Session()
变量初始化
init = tf.global_variables_initializer()sess.run(init)
6、迭代训练
模型训练阶段，设置迭代次数，每次通过将样本逐个输入模型，进行梯度下降优化操作，每轮迭代后，绘制出模型曲线下图为最后的训练结果
7、训练结果的可视化
plt.plot(loss_list)
8、TensorBoard 可视化
声明会话
sess = tf.Session()#定义初始化变量的操作init = tf.global_variables_initializer()
为 TensorBoard 可视化准备数据
#设置日志存储目录logdir = 'd:/log'sum_Loss = tf.summary.scalar("loss",loss_function)merged = tf.summary.merge_all()创建摘要的文件写入器
sess.run(init)writer = tf.summary.FileWwriter(logdir,sess.graph)
查看计算图TensorBoard查看loss好啦，最后赶快动手尝试一下属于你们的第一个多元回归模型的建立吧！
本文来自读者投稿，欢迎大家点击下面链接进行投稿：
欢迎投稿
---------End---------
©著作权归作者所有：来自51CTO博客作者mb5fe18e7c44408的原创作品，如需转载，请注明出处，否则将追究法律责任更多相关文章
- 数据结构之哈希表
- 1.5 万 Star！界面酷炫、简单易用的数据库开源客户端
- 数据结构与算法： 三十张图弄懂「图的两种遍历方式」
- 干货 | 滴滴 数据分析原来是这样做的！
- 几道和「黑洞照片」那种海量数据有关的算法问题
- 数据结构与算法——最小生成树
- 数据结构与算法——图论基础与图存储结构
- 一道简约而不简单的算法题--数据流的中位数
- 数据结构与算法——图最短路径