Tensorflow 简明教程

TensorFlow - Linear Regression

在本章中，我们将重点关注使用 TensorFlow 实现线性回归的基本示例。逻辑回归或线性回归是一种监督机器学习方法，用于对有序离散类别进行分类。我们在本章中的目标是构建一个模型，用户可以通过该模型来预测预测变量和一个或多个自变量之间的关系。

这两个变量之间的关系被认为是线性的。如果 y 是因变量，x 被视为自变量，那么两个变量的线性回归关系将如下方程式所示 −

Y = Ax+b

我们将设计一个线性回归算法。这将使我们理解以下两个重要概念 −

  1. Cost Function

  2. Gradient descent algorithms

线性回归的示意图如下所示 −

schematic representation linear regression

线性回归方程的图形视图如下：

graphical schematic representation

Steps to design an algorithm for linear regression

现在我们将了解有关设计线性回归算法的帮助步骤。

Step 1

对于绘制线性回归模块非常重要的模块是导入。我们开始导入 Python 库 NumPy 和 Matplotlib。

import numpy as np
import matplotlib.pyplot as plt

Step 2

为逻辑回归定义必要的系数数量。

number_of_points = 500
x_point = []
y_point = []
a = 0.22
b = 0.78

Step 3

对变量进行迭代以生成 300 个围绕回归方程的随机点 −

Y = 0.22x+0.78

for i in range(number_of_points):
   x = np.random.normal(0.0,0.5)
   y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x])
   y_point.append([y])

Step 4

使用 Matplotlib 查看生成点。

fplt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend() plt.show()

逻辑回归的完整代码如下 −

import numpy as np
import matplotlib.pyplot as plt

number_of_points = 500
x_point = []
y_point = []
a = 0.22
b = 0.78

for i in range(number_of_points):
   x = np.random.normal(0.0,0.5)
   y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x])
   y_point.append([y])

plt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend()
plt.show()

输入点数被认为是输入数据。

code for logistic regression