Tensorflow2.0中的回歸問題怎么分析

這篇文章將為大家詳細講解有關Tensorflow2.0中的回歸問題怎么分析，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

簡介

在現實生活中，連續值預測問題是非常常見的，比如股價的走勢預測、天氣預報中溫
度和濕度等的預測、年齡的預測、交通流量的預測等。對于預測值是連續的實數范圍，或
者屬于某一段連續的實數區間，我們把這種問題稱為回歸(Regression)問題。特別地，如果使用線性模型去逼近真實模型，那么我們把這一類方法叫做線性回歸(Linear Regression，簡稱 LR)
下面舉例一個簡單的線性回歸問題

問題

從指定的w=1.477, b=0.089的真實模型y=1.477*x+0.0889中直接采樣數據。

程序清單

import tensorflow as tfimport numpy as np# 1.采集數據data = []  # 保存樣本集的列表for i in range(100):  # 循環采樣100個點x = np.random.uniform(-10., 10.)  # 從[-10,10]的均勻分布中隨機采樣一個數eps = np.random.normal(0., 0.1)  # 從均值為0.1，方差為0.1^2的高斯分布中隨機采樣噪聲y = 1.477*x+0.089+eps  # 得到模擬的輸出data.append([x, y])  # 保存樣本點data = np.array(data)  # 轉換為2D Numpy數組# 2.計算誤差def mse(b, w, points):  # 根據當前輪的w,b參數，計算均方差損失totalError = 0for i in range(0, len(points)):  # 循環迭代所有點x = points[i, 0]  # 獲得第i個點的橫坐標xy = points[i, 1]  # 獲得第i個點的縱坐標ytotalError += (y-(w*x+b))**2  # 計算累計誤差return totalError/float(len(points))  # 得到均方差# 3.計算梯度def step_gradient(b_current, w_current, points, learning_rate):b_gradient = 0w_gradient = 0M = float(len(points))  # 總樣本數for i in range(0, len(points)):x = points[i, 0]y = points[i, 1]b_gradient += (2/M) * ((w_current * x + b_current) - y)  # 誤差函數對b的導數w_gradient += (2/M) * x * ((w_current * x + b_current) - y)  # 誤差函數對w的導數# 根據梯度下降法算法更新w,bnew_b = b_current - (learning_rate * b_gradient)new_w = w_current - (learning_rate * w_gradient)return [new_b, new_w]# 4.梯度更新def gradient_descent(points, starting_b, starting_w, learning_rate, epos):b = starting_b  # 初始化bw = starting_wfor step in range(epos):b, w = step_gradient(b, w, np.array(points), learning_rate)loss = mse(b, w, points)if step % 50 == 0:print('epos', step, '：loss', loss, '; w', w, '; b', b)  # 每50epos打印一遍return {
   
   
   b, w}def main():lr = 0.01init_b = 0init_w = 0epos = 10000[b, w] = gradient_descent(data, init_b, init_w, lr, epos)loss = mse(b, w, data)print('Final loss:', loss, ' w:', w, ' b:', b)return 0if __name__ == "__main__":main()

訓練結果：

從訓練結果可以發現，通過建立的線性模型訓練出來的w,b已經很接近真實模型了

關于Tensorflow2.0中的回歸問題怎么分析就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。