TensorFlow实现线性回归预测

1、一元线性回归预测：

import pandas as pdimport tensorflow as tfimport numpy as npfrom  matplotlib import  pyplot as pltplt
.rcParams['font.sans-serif']=['SimHei'] #显示中文标签plt.rcParams['axes.unicode_minus']=False   
#解决负号“-”显示为方块的问题data=pd.read_csv('D:/code/python/pythonProject/tensorflow51自学/
tensorflow入门与实战-基础部分数据集/Income1.csv')x=data.Educationy=data.Incomemodel=tf.keras
.Sequential()#定义模型， 使用一层全连接， 输出为一维，输入为一维model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
#编译模型， 使用adam(梯度下降）作为优化函数， 使用mse(均方差）作为损失函数model.compile(optimizer='adam',loss='mse')
#mes均方差# 开始训练history=model.fit(x,y,epochs=50000)#训练次数# Y=model.predict(pd.Series([20]))
#使用训练后的模型进行预测Y=model.predict(x)plt.plot(x,Y,'r-s',label="训练模型预测")plt
.scatter(data.Education ,data.Income,color='b',label='原始数据')#一元线性b=np
.sum((x-np.mean(x))*(y-np.mean(y)))/np.sum((x-np.mean(x))**2)a=np.mean(y)-b*np
.mean(x)x1=np.arange(10,22)y2=b*x1+aplt.plot(x1,y2,'m-p',label='一元线性预测')plt
.legend()plt.show()1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.

Income1.csv数据，其中Education为受到教育年限、Income为收入，想预测受到教育的年限和收入之间的关系

训练500次

训练5000次

训练30000次

训练50000次

总结：随着模型训练次数的增加，训练的一元线性回归越来越接近标准的线性回归模型，从中可以看出，只要训练次数足够大，训练模型就可以无线逼近直到完成和标准的模型重合

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删