本文实现一个利用python 进行拟合的代码
拟合的意义
对已经发生过的事实的影响因素当作输入， 事件结果当作输出
以此来发现事物之间的规律，来预测 短暂未来中是否会发生某件事情的概率，或者商品估值
实际上 任何 的预测回归问题，都可以通过 tensorflow的深度学习来实现
预测分析
多因素对 工资分配的拟合 图像
公司业务成本对收益的影响拟合曲线
import matplotlib.pyplot as plt#约定俗成的写法plt #首先定义两个函数（正弦&余弦） import numpy as np import tensorflow as tf from tensorflow.keras import layers model = tf.keras.Sequential() model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(1,)) # # model.compile(optimizer=tf.keras.optimizers.Adam(0.5), # loss='categorical_crossentropy', # metrics=['accuracy']) optimizer = tf.keras.optimizers.RMSprop(0.001) model.compile(loss='mse', optimizer=optimizer, metrics=['mae', 'mse']) X=np.linspace(-np.pi,np.pi,256,endpoint=True)#-π to+π的256个值 print("x的值",X.shape) S=np.sin(X) x1=[] s1=[] for index in range(len(X)): x1.append([X[index]]) s1.append([S[index]]) x1=np.array(x1) s1=np.array(s1) model.fit(x1,s1,epochs=0, batch_size=32) before_t=[] for tempx in X: print(tempx) tempx=model.predict([tempx]) tempx=tempx[0] before_t.append(tempx) model.fit(x1,s1,epochs=100, batch_size=32) after_t=[] for tempx in X: print(tempx) tempx=model.predict([tempx]) tempx=tempx[0] after_t.append(tempx) print(tempx) plt.plot(X,S,label='sin(x)') plt.plot(X,before_t,label="before_train") plt.plot(X,after_t,label="after_train",color="yellow") #在python的交互环境中需要这句话才能显示出来 plt.legend() plt.show()
