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-
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-
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-
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。
祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)
Tony Bai · Go语言第一课 -〔Tony Bai〕