針對波士頓房價數據集采用簡單線性回歸，預測最后一列給出的房價
波士頓房價數據集可從http://lib.stat.cmu.edu/datasets/boston處獲取。

實現簡單線性回歸的具體做法

1：導入所需要的軟件包
2：在神經網絡中，所有的輸入都線性增加，為了使訓練有效，輸入應該被歸一化，所以這里定義一個函數來歸一化輸入數據
3：加載波士頓房價數據集，將其分解為X_train和Y_train，并對數據進行歸一化處理
4：為訓練數據聲明Tensorflow占位符
5:創建Tensorflow的權重和偏置變量且初始化值為0
6：定義用于預測的線性回歸模型
7：定義損失函數
8：選擇梯度下降優化器
9：聲明初始化操作符
10：開始計算圖
11：查看結果

代碼如下

#1:導入所需軟件包 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_boston#2:在神經網絡中，所有輸入都線性增加，為了使訓練有效，輸入應該被歸一化 #定義函數來歸一化輸入數據tf.compat.v1.disable_eager_execution()def normalize(X):''' Normalizes the array X'''mean = np.mean(X)std = np.std(X)X = (X-mean)/stdreturn X #3:加載波士頓數據集 #，并將其分解為X_train,Y_train 可以對數據進行歸一化處理boston = load_boston() X_train,Y_train = boston.data[:,5],boston.target X_train = normalize(X_train) n_samples = len(X_train) #4:為訓練數據聲明Tensroflow占位符 X = tf.compat.v1.placeholder(tf.float32,name='X') Y = tf.compat.v1.placeholder(tf.float32,name='Y')#5:創建Tensorflow的權重和偏置變量且初始化為0 b = tf.compat.v1.Variable(0.0) w = tf.compat.v1.Variable(0.0)#6：定義用于預測的線性回歸模型 Y_hat = X*w+b #7:定義損失函數 loss = tf.compat.v1.square(Y-Y_hat,name='loss')#8:選擇梯度下降優化器 optimizer =tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)#9:聲明初始化操作符 init_op = tf.compat.v1.global_variables_initializer() total = []#10 開始計算圖，訓練100次 with tf.compat.v1.Session() as sess:sess.run(init_op)writer = tf.compat.v1.summary.FileWriter('graphs',sess.graph)for i in range(100):total_loss = 0for x,y in zip(X_train,Y_train):l = sess.run([optimizer,loss],feed_dict={X:x,Y:y})total_loss+=1total.append(total_loss/n_samples)print('Epoch {0}:Loss {1}'.format(i,total_loss/n_samples))writer.close()b_value,w_value = sess.run([b,w])#11:查看結果Y_pred = X_train*w_value+b_valueprint('Done')plt.plot(X_train,Y_train,'bo',label = 'Real Data')plt.plot(X_train,Y_pred,'r',label = 'Predicted Data')plt.legend()plt.show()plt.plot(total)plt.show()

最后結果

總結

以上是生活随笔為你收集整理的使用Tensorflow实现简单线性回归的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。