📅  最后修改于: 2020-12-10 06:03:51             🧑  作者: Mango
在本章中,我们将重点介绍使用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,用于对离散量类别进行分类。本章的目标是建立一个模型,用户可以通过该模型来预测预测变量和一个或多个自变量之间的关系。
这两个变量之间的关系被认为是线性的。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
我们将设计用于线性回归的算法。这将使我们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,我们将学习有助于设计线性回归算法的步骤。
导入用于绘制线性回归模块的必要模块很重要。我们开始导入Python库NumPy和Matplotlib。
import numpy as np
import matplotlib.pyplot as plt
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
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])
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。