1.線性與非線性回歸

線性回歸 Linear Regression：兩個變量之間的關系是一次函數(shù)關系的——圖像是直線，叫做線性。線性是指廣義的線性，也就是數(shù)據(jù)與數(shù)據(jù)之間的關系,如圖x1。

非線性回歸：兩個變量之間的關系不是一次函數(shù)關系的——圖像不是直線，叫做非線性，如圖x2。

一元線性回歸:只包括一個自變量和一個因變量，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。函數(shù)表達: y=bx+a。

多元線性回歸：包括兩個或兩個以上相互獨立的自變量(x1,x2,x3...)，且因變量(y)和自變量之間是線性關系，則稱為多元線性回歸分析。函數(shù)表達:

線性回歸在深度學習中的應用: 在深度學習中，我們就是要根據(jù)已知數(shù)據(jù)點(自變量)和因變量(y)去訓練模型得到未知參數(shù)a和b、 和的具體值,從而得到預測模型，在這里()相當于深度學習中目標對象的特征，(y)相當于具體的目標對象。得到預測模型之后再對未知的自變量x進行預測,得到預測的y。

線性回歸問題與分類問題：與回歸相對的是分類問題(classification)，分類問題預測輸出的y值是有限的，預測值y只能是有限集合內(nèi)的一個。而當要預測值y輸出集合是無限且連續(xù)，我們稱之為回歸。比如，天氣預報預測明天是否下雨，是一個二分類問題；預測明天的降雨量多少，就是一個回歸問題。

案例講解

了解基礎概念之后，使用Tensorflow實現(xiàn)一個簡單的一元線性回歸問題, 調(diào)查學歷和收入之間的線性關系,如下所示:

求解未知參數(shù)a和b的方法：

1.數(shù)據(jù)集

模型訓練的數(shù)據(jù)存儲在一個.csv文件里，Education代表學歷【自變量x】，Income代表收入【因變量y】。

目標:我們要利用已知的Education和income數(shù)據(jù)值，求解未知參數(shù)a和b的值,得到Education和Income之間的線性關系。

2.讀取訓練數(shù)據(jù)Income.csv并可視化展示

import tensorflow as tf
import numpy as np
# 1.查看tensorflow版本
print("Tensorflow Version{}".format(tf.__version__))
 
# 2.pandas讀取包含線性關系的.csv文件
import pandas as pd
data = pd.read_csv('D:\Project\TesorFlow\datasets\Income.csv')
print(data)
 
# 3.繪制線性回歸關系-散點圖
import matplotlib.pyplot as plt
plt.scatter(data.Education,data.Income)
plt.show()

3.利用Tensorflow搭建和訓練神經(jīng)網(wǎng)絡模型【線性回歸模型的建立】

# 4.順序模型squential的建立
# 順序模型是指網(wǎng)絡是一層一層搭建的，前面一層的輸出是后一層的輸入。
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
# dense(輸出數(shù)據(jù)的維度，輸入數(shù)據(jù)的維度)
 
# 5.查看模型的結(jié)構(gòu)
model.summary()
 
# 6.編譯模型 - 配置的過程, 優(yōu)化算法方式（梯度下降）、損失函數(shù)
# Adam優(yōu)化器的學習速率默認為0.01
model.compile(optimizer='adam',
              loss = 'mse')
 
# 7.訓練模型,記錄模型的訓練過程 history
# 訓練過程是loss函數(shù)值降低的過程:
# 即不斷逼近最優(yōu)的a和b參數(shù)值的過程
# 這個過程要訓練很多次epoch,epoch是指對所有訓練數(shù)據(jù)訓練的次數(shù)
history = model.fit(x,y,epochs=100)

model.summary(): 查看我們創(chuàng)建的神經(jīng)網(wǎng)絡模型,這里我們只添加了一層全連接層。

訓練過程:這里只訓練100個epoch.

4. 模型預測

# 8.已知數(shù)據(jù)預測
model.predict(x)
print(model.predict(x))
 
# 9.隨機數(shù)據(jù)預測: 
# """
# 注意：pandas數(shù)據(jù)結(jié)構(gòu)是數(shù)據(jù)框DataFrame和 序列 Series
# 序列（Series）是二維表格中的一列或者一行。實際上，當訪問DataFrame的一行時，pandas自動把該行轉(zhuǎn)換為序列；當訪問DataFrame的一列時，Pandas也自動把該列轉(zhuǎn)換為序列。
# 序列是由一組數(shù)據(jù)（各種NumPy數(shù)據(jù)類型），以及一組與之相關的數(shù)據(jù)標簽（索引）組成，序列不要求數(shù)據(jù)類型是相同的,序列可以看作是一維數(shù)組(一行或一列)
# 序列的表現(xiàn)形式為：索引在左邊，值在右邊。由于沒有顯式為Series指定索引，pandas會自動創(chuàng)建一個從0到N-1的整數(shù)型索引。
# """
# test_predict = model.predict(pd.Series([20]))  # 所以這里輸入時需要將其轉(zhuǎn)換為Series結(jié)構(gòu)
test_predict = model.predict(pd.Series([10,20]))  # 預測的數(shù)據(jù)為10和20
print(test_predict)
print(pd.DataFrame([(10,20,30)]))

已知結(jié)果的數(shù)據(jù)預測的結(jié)果: 查看我們創(chuàng)建的神經(jīng)網(wǎng)絡模型,這里我們只添加了一層全連接層。

未知結(jié)果的數(shù)據(jù)預測的結(jié)果: 可以看到預測結(jié)果很差，說明我們的神經(jīng)網(wǎng)絡模型并沒有訓練好,求解得到的未知參數(shù)的a和b的值很差。

解決辦法:: 加深神經(jīng)網(wǎng)絡模型的參數(shù),訓練更多的次數(shù)epoch或者添加實驗數(shù)據(jù)。

sklearn庫有寫好了的線性回歸函數(shù)，from sklearn.linear_model import LinearRegression直接導入即可。

到此這篇關于Tensorflow 實現(xiàn)線性回歸模型的示例代碼的文章就介紹到這了,更多相關Tensorflow 線性回歸模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論