使用tf.keras实现线性回归(tensorflow2.0基础入门1 日月光华 )

tf.keras是TensorFlow高阶API,可用于构建和训练深度学习模型,能实现快速原型设计等。博客将使用tf.keras实现简单的单变量线性回归,会介绍线性回归原理以及tf.keras训练的一般步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

tf.keras 是用于构建和训练深度学习模型的 TensorFlow 高阶 API。利用此 API,可实现快速原型设计、先进的研究和生产。
#这节我们先来使用tf.keras 实现一个简单的<单变量线性回归>
#(1)要了解线性回归的原理
#(2)tf.keras训练的的一般步骤


import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt

#print('Tensorflow version: {}'.format(tf.__version__))#两个下划线

data=pd.read_csv('./dataset/Income1.csv')#. means 当前目录下
print(data)

#plt.scatter(data.Education,data.Income)
#plt.show()#!

x=data.Education#变量
y=data.Income#因变量
model=tf.keras.Sequential()#顺序模型的初始化(Sequential)
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))#在模型中添加Dense层 (#输出数据维度 #输入数据的形状)
model.summary()#反应model的整体形状

model.compile(optimizer='adam',
              loss='mse'
              ) #编译过程也就是配置,使用(梯度下降算法)对(损失函数)进行优化
                #optimizer就是一种优化方法,这种优化算法会计算梯度,沿着梯度下降的方向,去改变变量的值,从而求(输出变量)的最小值
                #'mse' means 均方差

history=model.fit(x,y,epochs=5000)#进行训练
                                #epochs means 对所有变量进行训练的次数

Q=model.predict(x)
print(Q)

W=model.predict(pd.Series([20]))
print(W)
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值