Tensorflow实现多元线性回归

上一篇使用tensorflow实现了简单的线性回归，这次在简单的线性回归基础上，通过在权重和占位符声明中
修改来对相同的数据进行多元线性回归。
同样以波士顿房价数据为例
波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。

多元线性回归具体实现步骤

1：导入需要的所有软件包
2：因各特征的数据范围不同，需要归一化特征数据，为此定义一个归一化函数
定义一个append_bias_reshape()函数，来将固定输入值和偏置结合起来
3：加载数据集，并划分为X_train,Y_train。注意X_train包含所需要的特征，可以选择在这里对数据
进行归一化处理。也可以添加偏置并对网络数据重构
4：为训练数据声明Tensorflow占位符，观测占位符X的形状变化
5：为权重和偏置创建Tensorflow变量。通过随机数初始化权重
6：定义要用于预测的线性回归模型，这个实例需要矩阵乘法来完成这个任务
7：定义损失函数
8：选择正确的优化器
9：定义初始化操作符
10：开始计算图
11绘制损失函数
12利用从模型学到的系数来预测房价

具体代码如下：

#1:导入所需要的软件包
import tensorflow as tf
import numpy as np
import  matplotlib.pyplot as plt
from sklearn.datasets import load_bostontf.compat.v1.disable_eager_execution()'''使用Tensorflow实现多元线性回归'''#2：因为各特征的数据范围不同，需要归一化特征数据。为此定义一个归一化函数
#另外，这里添加一个额外的固定输入值将权重和偏置结合起来。
#为此定义函数append_bias_reshape()。该技巧可简化编程
def normalize(X):'''归一化数组 X''''''np.mean:计算均值np.std：计算标准差'''mean = np.mean(X)std = np.std(X)X = (X-mean)/stdreturn X
def append_bias_reshape(features,labels):'''param features: 对于矩阵来说，shape[0]:表示矩阵的行数shape[1]:表示矩阵的列数'''m = features.shape[0]n = features.shape[1]'''np.c_:按行将矩阵组合起来'''x = np.reshape(np.c_[np.ones(m),features],[m,n+1])y = np.reshape(labels,[m,1])return x,y#3：加载波士顿房价数据集，并划分为X_train,Y_train
#可以选择这里对数据进行归一化处理，也可以添加偏置并对网络数据重构boston = load_boston()
X_train,Y_train = boston.data,boston.target
X_train = normalize(X_train)
X_train,Y_train = append_bias_reshape(X_train,Y_train)
# 训练示例数
m = len(X_train)
#特征+偏置的数量
n = 13+1
#4：为训练数据声明Tensorflow占位符，观测占位符X的形状变化
X = tf.compat.v1.placeholder(tf.float32,name='X',shape=[m,n])
Y = tf.compat.v1.placeholder(tf.float32,name='Y')#5：为权重和偏置创建Tensorflow变量，通过随机数初始化权重
w = tf.compat.v1.Variable(tf.random.normal([n,1]))
b = tf.compat.v1.Variable(tf.zeros(1))#6:定义用于预测的线性回归模型。需要矩阵乘法完成任务Y_hat = tf.matmul(X,w)#7:为了更好的求微分，定义损失函数
loss = tf.reduce_mean(tf.square(Y-Y_hat,name='loss'))#8:选择正确的优化器
optimizer = tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)#9：定义初始化操作符
init_op = tf.compat.v1.global_variables_initializer()
total = []#10:开始计算图with tf.compat.v1.Session() as sess:sess.run(init_op)writer = tf.compat.v1.summary.FileWriter('graphs2',sess.graph)for i in range(100):l = sess.run([optimizer,loss],feed_dict={X:X_train,Y:Y_train})total.append(l)print('Epoch {0}:Loss {1}'.format(i,l))writer.close()w_value,b_value = sess.run([w,b])#11:绘制损失函数
plt.plot(total)
plt.show()#12：从模型中学到的系数来预测房价
N = 500
X_new = X_train[N,:]
Y_pred = (np.matmul(X_new,w_value)+b_value).round(1)
print('Predicted value:${0} Actual value: / ${1}'.format(Y_pred[0]*1000,Y_train[N]*1000,'\nDone'))

Tensorflow实现多元线性回归相关推荐

利用TensorFlow实现多元线性回归
利用TensorFlow实现多元线性回归,代码如下: # -*- coding:utf-8 -*- import tensorflow as tf import numpy as np from sk ...
python多元线性回归模型_python – 使用Tensorflow的多元线性回归模型
我想通过使用Tensorflow构建一个多元线性回归模型. 一个数据示例:2104,3,399900(前两个是功能,最后一个是房价;我们有47个示例) 代码如下: import numpy as np ...
TensorFlow进行多元线性回归
设置四个输入x1,x2,x3,x4,y为输出,通过TensorFlow拟合得到各自系数. 自定义数据集,x1,x2,x3,x4为随机生成(0,1)之间的随机数,y为x1+x2+x3+x4+随机噪声. ...
波士顿房价预测的TensorFlow实现(多元线性回归)
import tensorflow as tf import numpy as np import pandas as pd from sklearn.utils import shuffle fro ...
TensorFlow多元线性回归实现
TensorFlow实现多元线性回归多元线性回归的具体实现导入需要的所有软件包: 因为各特征的数据范围不同,需要归一化特征数据.为此定义一个归一化函数.另外,这里添加一个额外的固定输入值将权重和偏 ...
TensorFlow实现梯度下降法求解一元和多元线性回归问题
使用TensorFlow求解一元线性回归问题 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt# 设 ...
TensorFlow基础3-机器学习基础知识（解析法实现一元线性回归、多元线性回归）
记录TensorFlow听课笔记文章目录记录TensorFlow听课笔记一,机器学习基础 1.1一元线性回归 1.2解析法实现一元线性回归 1.3解析法实现多元线性回归二,代码实现一元/多元回 ...
TensorFlow笔记（5）多元线性回归
TensorFlow笔记(5) 多元线性回归 1. 多变量的线性方程 2. 数据读取 3. 特征缩放 4. 构建模型 5. 训练模型 6. 模型预测 7. TensorBoard可视化 1. 多变量的 ...
MOOC网深度学习应用开发1——Tensorflow基础、多元线性回归:波士顿房价预测问题Tensorflow实战、MNIST手写数字识别：分类应用入门、泰坦尼克生存预测
Tensorflow基础 tensor基础当数据类型不同时,程序做相加等运算会报错,可以通过隐式转换的方式避免此类报错. 单变量线性回归监督式机器学习的基本术语线性回归的Tensorflow实战 ...

Tensorflow实现多元线性回归

多元线性回归具体实现步骤

具体代码如下：

Tensorflow实现多元线性回归相关推荐

最新文章

热门文章