tf.keras實現線性迴歸和多層感知器

線性迴歸實現

轉自:https://www.cnblogs.com/miraclepbc/p/14287756.html

相關庫引用

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

載入資料

data = pd.read_csv("E:/datasets/dataset/Income1.csv") # 獲取資料
x = data.Education
y = data.Income
data

輸出散點圖，看看資料的分佈情況

plt.scatter(data.Education, data.Income) # 列印散點圖

定義模型

model = tf.keras.Sequential() # 建立一個層疊模型
model.add(tf.keras.layers.Dense(1, input_shape = (1, ))) # 新增一個層，1個單元，輸入大小用元組
model.summary() # 檢視模型的引數資訊

這裡總共有2個引數，即 $\mathrm{y=ax+b𝑦=𝑎𝑥+𝑏的a𝑎和b𝑏tf.keras.layers.Dense()引數列表中還有啟用函式，這個後面介紹}$

模型編譯

model.compile(
    optimizer = 'adam', # adam最佳化器
    loss = 'mse'        # 均方根誤差
)

訓練模型

history = model.fit(x, y, epochs = 10000) # 訓練10000次

預測

model.predict(pd.Series([20]))

多層感知器實現

載入資料

data = pd.read_csv("E:/datasets/dataset/Advertising.csv") # 獲取資料
x = data.iloc[:, 1:-1]
y = data.iloc[:, -1]
data

輸出散點圖，看看資料的分佈情況

plt.scatter(data.TV, data.sales) # 列印散點圖

定義模型

model = tf.keras.Sequential() # 建立一個層疊模型
model.add(tf.keras.layers.Dense(10, input_shape = (3, ), activation = 'relu')) # 新增一個層，10個節點
model.add(tf.keras.layers.Dense(1))
model.summary()

這裡總共有51個引數，即：
第一層：$\mathrm{y=a1\ast x1+a2\ast x2+a3\ast x3+b𝑦=𝑎1\ast 𝑥1+𝑎2\ast 𝑥2+𝑎3\ast 𝑥3+𝑏的a1,a2,a3𝑎1,𝑎2,𝑎3和b𝑏，總共10個節點，因此有40個引數第二層：y=\sum 10i=1wi\ast xi+b𝑦=\sum 𝑖=110𝑤𝑖\ast 𝑥𝑖+𝑏的wi𝑤𝑖和b𝑏，總共有11個引數}$

模型編譯

model.compile(
    optimizer = 'adam', # adam最佳化器
    loss = 'mse'        # 均方根誤差
)

訓練模型

history = model.fit(x, y, epochs = 1000) # 訓練1000次

預測

test = data.iloc[:10, 1:-1]
model.predict(test)