TensorFlow線性回歸

在本章中，將重點介紹使用TensorFlow進行線性回歸實現的基本示例。邏輯回歸或線性回歸是用於對離散類別進行分類的監督機器學習方法。在本章中的目標是構建一個模型，用戶可以通過該模型預測預測變數與一個或多個引數之間的關係。

這兩個變數之間的關係是線性的。如果y是因變數x的變化而變化，那麼可將x認為是引數，那麼兩個變數的線性回歸關係將如下式所示：

Y = Ax+b

接下來將設計一種線性回歸演算法。需要瞭解以下兩個重要概念 -

• 成本函數
• 梯度下降演算法

線性回歸的示意圖如下所述 -

線性回歸方程的圖形視圖如下所述 -

設計線性回歸演算法的步驟

我們現在來看看設計線性回歸演算法的步驟。

第1步

導入繪製線性回歸模組所需的模組非常重要。開始導入Python庫NumPy和Matplotlib。

import numpy as np
import matplotlib.pyplot as plt

第2步

定義邏輯回歸所需的係數數量。

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

第3步

迭代變數以在回歸方程周圍生成300個隨機點 -

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])

第4步

使用Matplotlib查看生成的點。

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

邏輯回歸的完整代碼如下 -

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()

輸入的點數視為輸入數據 -