📌  相关文章
📜  TensorFlow-线性回归

📅  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-

  • 成本函数
  • 梯度下降算法

线性回归的示意图表示如下-

示意图线性回归

下面提到线性回归方程的图形视图-

图形示意图

设计线性回归算法的步骤

现在，我们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很重要。我们开始导入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

第三步

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。

逻辑回归代码