TF之LiR:基于tensorflow实现机器学习之线性回归算法

简介: TF之LiR:基于tensorflow实现机器学习之线性回归算法

输出结果

image.png

代码设计


# -*- coding: utf-8 -*-

#TF之LiR:基于tensorflow实现机器学习之线性回归算法

import tensorflow as tf

import numpy

import matplotlib.pyplot as plt

rng =numpy.random

#参数设定

learning_rate=0.01

training_epochs=10000

display_step=50        #每隔50次迭代输出一次

#训练数据

train_X=numpy.asarray([……])

train_Y=numpy.asarray([……])

n_samples=train_X.shape[0]

print("train_X:",train_X)

print("train_Y:",train_Y)  

#设置placeholder

X=tf.placeholder("float")

Y=tf.placeholder("float")

#设置模型的权重和偏置,因为是不断更新的所以采用Variable定义

W=tf.Variable(rng.randn(),name="weight")

b=tf.Variable(rng.randn(),name="bias")

#设置线性回归方程LiR:w*x+b

pred=tf.add(tf.multiply(X,W),b)

cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)  #设置cost为均方差即reduce_sum函数

optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #梯度下降,minimize函数默认下自动修正w和b

init=tf.global_variables_initializer() #在session运算时初始化所有变量

#开始训练

with tf.Session() as sess:

   sess.run(init)                        #运行一下初始化的变量

   for epoch in range(training_epochs):  #输入所有训练数据

       for(x,y) in zip(train_X,train_Y):

           sess.run(optimizer,feed_dict={X:x,Y:y})

         

           #打印出每次迭代的log日志,每隔50个打印一次

           if (epoch+1) % display_step ==0:

               c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})

               print("迭代次数Epoch:","%04d" % (epoch+1),"下降值cost=","{:.9f}".format(c),

                     "W=",sess.run(W),"b=",sess.run(b))

   print("Optimizer Finished!")

   training_cost=sess.run(cost,feed_dict={X:train_X,Y:train_Y})

   print("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b))

   #绘图

   plt.rcParams['font.sans-serif']=['SimHei']

   plt.subplot(121)

   plt.plot(train_X, train_Y, 'ro', label='Original data')

   plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')

   plt.legend()

   plt.title("TF之LiR:Original data")

 

 

   #测试样本

   test_X = numpy.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])

   test_Y = numpy.asarray([1.84, 2.273, 3.2, 2.831,2.92, 3.24, 1.35, 1.03])

   print("Testing... (Mean square loss Comparison)")

   testing_cost = sess.run(tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),

                           feed_dict={X:test_X,Y:test_Y}) # same function as cost above

   print("Testing cost=", testing_cost)

   print("Absolute mean square loss difference:", abs( training_cost - testing_cost))

   #绘图

   plt.subplot(122)

   plt.plot(test_X, test_Y, 'bo', label='Testing data')

   plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')

   plt.legend()

   plt.title("TF之LiR:Testing data")

   plt.show()


相关文章
|
18小时前
|
机器学习/深度学习 人工智能 算法
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
昆虫识别系统,使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法(CNN)模型。通过对10种常见的昆虫图片数据集('蜜蜂', '甲虫', '蝴蝶', '蝉', '蜻蜓', '蚱蜢', '蛾', '蝎子', '蜗牛', '蜘蛛')进行训练,得到一个识别精度较高的H5格式模型文件,然后使用Django搭建Web网页端可视化操作界面,实现用户上传一张昆虫图片识别其名称。
20 7
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
|
1天前
|
机器学习/深度学习 人工智能 算法
算法金 | 统计学的回归和机器学习中的回归有什么差别?
**摘要:** 统计学回归重在解释,使用线性模型分析小数据集,强调假设检验与解释性。机器学习回归目标预测,处理大数据集,模型复杂多样,关注泛化能力和预测误差。两者在假设、模型、数据量和评估标准上有显著差异,分别适用于解释性研究和预测任务。
17 8
算法金 | 统计学的回归和机器学习中的回归有什么差别?
|
1天前
|
机器学习/深度学习 人工智能 Dart
AI - 机器学习GBDT算法
梯度提升决策树(Gradient Boosting Decision Tree),是一种集成学习的算法,它通过构建多个决策树来逐步修正之前模型的错误,从而提升模型整体的预测性能。
|
2天前
|
机器学习/深度学习 算法 搜索推荐
机器学习聚类算法
聚类算法是无监督学习技术,用于发现数据集中的自然群体,如用户画像、广告推荐等。常见的聚类算法包括K-Means,它基于距离分配样本至簇,适合球形分布;层次聚类则通过合并或分裂形成簇,能发现任意形状的簇;DBSCAN依据密度来聚类,对噪声鲁棒。KMeans API中`sklearn.cluster.KMeans(n_clusters=8)`用于指定簇的数量。评估聚类效果可使用轮廓系数、SSE等指标,Elbow方法帮助选择合适的K值。
|
2天前
|
机器学习/深度学习 算法
机器学习算法决策树(二)
**ID3决策树算法**是1975年由J. Ross Quinlan提出的,它基于信息增益来选择最佳划分特征。信息增益是衡量数据集纯度变化的指标,熵则是评估数据不确定性的度量。算法通过比较每个特征的信息增益来选择分裂属性,目标是构建一个能最大化信息增益的决策树。然而,ID3容易偏向于选择具有更多特征值的属性,C4.5算法为解决这一问题引入了信息增益率,降低了这种偏好。CART决策树则不仅用于分类,也用于回归,并使用基尼指数或信息熵来选择分割点。剪枝是防止过拟合的重要手段,包括预剪枝和后剪枝策略。
|
2天前
|
机器学习/深度学习 算法 数据可视化
机器学习算法决策树(一)
**决策树模型**是一种直观的分类模型,常用于金融风控和医疗诊断等领域。它通过树形结构对数据进行划分,易于理解和解释,能揭示特征重要性且计算复杂度低。然而,模型可能过拟合,需剪枝处理;不擅长处理连续特征;预测能力有限,且对数据变化敏感。在集成学习如XGBoost中,决策树作为基模型广泛应用。示例代码展示了使用Python的`sklearn`库构建和可视化决策树的过程。
|
3天前
|
机器学习/深度学习 算法 BI
机器学习笔记(一) 感知机算法 之 原理篇
机器学习笔记(一) 感知机算法 之 原理篇
|
2天前
|
机器学习/深度学习 算法 数据挖掘
机器学习之聚类——MeanShift算法和图像矢量量化
机器学习之聚类——MeanShift算法和图像矢量量化
2 0
|
3天前
|
机器学习/深度学习 算法 数据挖掘
机器学习与智能优化——利用简单遗传算法优化FCM
机器学习与智能优化——利用简单遗传算法优化FCM
17 5
|
4天前
|
机器学习/深度学习 人工智能 算法
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
20 6

热门文章

最新文章