TensorFlow - 线性回归

在本章中，无涯教程将重点介绍使用TensorFlow进行线性回归的基本示例，Logistic回归或线性回归是一种有监督的机器学习方法，用于对离散类别进行分类。本章的目标是创建一个模型，用户可以通过该模型来预测变量与一个或多个自变量之间的关系。

这两个变量之间的关系是线性的。如果y是因变量且x被视为自变量，则两个变量的线性回归关系将类似于以下方程式-

无涯教程网

Y=Ax+b

将设计用于线性回归的算法。这将使能够理解以下两个重要概念-

• Cost函数
• 梯度下降算法

线性回归的示意图表示如下-

下面提到线性回归方程的图形视图-

设计线性回归算法的步骤

现在，将学习有助于设计线性回归算法的步骤。

第1步  -  导入用于绘制线性回归模块的必要模块，开始导入Python库NumPy和Matplotlib。

import numpy as np 
import matplotlib.pyplot as plt

第2步  -  定义逻辑回归所需的系数数。

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

第3步  -  迭代变量以围绕回归方程生成300个随机点-

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])

第4步  -  使用Matplotlib查看生成的点。

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()

被视为输入的点数被视为输入数据。