使用Tensorflow实现简单线性回归

针对波士顿房价数据集采用简单线性回归，预测最后一列给出的房价 波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。

实现简单线性回归的具体做法

1：导入所需要的软件包 2：在神经网络中，所有的输入都线性增加，为了使训练有效，输入应该被归一化，所以这里定义一个函数来归一化输入数据 3：加载波士顿房价数据集，将其分解为X_train和Y_train，并对数据进行归一化处理 4：为训练数据声明Tensorflow占位符 5:创建Tensorflow的权重和偏置变量且初始化值为0 6：定义用于预测的线性回归模型 7：定义损失函数 8：选择梯度下降优化器 9：声明初始化操作符 10：开始计算图 11：查看结果

代码如下

#1:导入所需软件包 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_boston #2:在神经网络中，所有输入都线性增加，为了使训练有效，输入应该被归一化 #定义函数来归一化输入数据 tf.compat.v1.disable_eager_execution() def normalize(X): ''' Normalizes the array X''' mean = np.mean(X) std = np.std(X) X = (X-mean)/std return X #3:加载波士顿数据集 #，并将其分解为X_train,Y_train 可以对数据进行归一化处理 boston = load_boston() X_train,Y_train = boston.data[:,5],boston.target X_train = normalize(X_train) n_samples = len(X_train) #4:为训练数据声明Tensroflow占位符 X = tf.compat.v1.placeholder(tf.float32,name='X') Y = tf.compat.v1.placeholder(tf.float32,name='Y') #5:创建Tensorflow的权重和偏置变量且初始化为0 b = tf.compat.v1.Variable(0.0) w = tf.compat.v1.Variable(0.0) #6：定义用于预测的线性回归模型 Y_hat = X*w+b #7:定义损失函数 loss = tf.compat.v1.square(Y-Y_hat,name='loss') #8:选择梯度下降优化器 optimizer =tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss) #9:声明初始化操作符 init_op = tf.compat.v1.global_variables_initializer() total = [] #10 开始计算图，训练100次 with tf.compat.v1.Session() as sess: sess.run(init_op) writer = tf.compat.v1.summary.FileWriter('graphs',sess.graph) for i in range(100): total_loss = 0 for x,y in zip(X_train,Y_train): l = sess.run([optimizer,loss],feed_dict={X:x,Y:y}) total_loss+=1 total.append(total_loss/n_samples) print('Epoch {0}:Loss {1}'.format(i,total_loss/n_samples)) writer.close() b_value,w_value = sess.run([b,w]) #11:查看结果 Y_pred = X_train*w_value+b_value print('Done') plt.plot(X_train,Y_train,'bo',label = 'Real Data') plt.plot(X_train,Y_pred,'r',label = 'Predicted Data') plt.legend() plt.show() plt.plot(total) plt.show()

最后结果