38、概率TensorFlow与AutoML入门

概率TensorFlow与AutoML入门

概率TensorFlow

在机器学习中，数据往往存在不确定性，而概率TensorFlow可以帮助我们处理这些不确定性。我们先使用合成数据集进行回归模型的构建与分析。

构建简单回归模型

我们使用TensorFlow构建一个简单的Keras模型进行回归任务。代码如下：

# Model Architecture
model = Sequential([Dense(1, input_shape=(1,))])
# Compile 
model.compile(loss='mse', optimizer='adam')
# Fit
model.fit(x_train, y_train, epochs=100, verbose=1)

这个简单模型在测试数据集上的拟合效果较好，拟合的回归线几乎与真实值重叠，但它无法给出预测的不确定性。

处理随机不确定性

为了处理随机不确定性，我们修改模型以预测均值和标准差分布。使用 IndependentNormal TFP 层或 DistributionLambda TFP 层，代码如下：

model = Sequential([Dense(2, input_shape = (1,)),
    tfp.layers.DistributionLambda(lambda t: tfd.Normal(loc=t[.