DL:基于sklearn的加利福尼亚房价数据集实现GD算法-阿里云开发者社区

开发者社区> 一个处女座的程序猿> 正文

DL:基于sklearn的加利福尼亚房价数据集实现GD算法

简介: DL:基于sklearn的加利福尼亚房价数据集实现GD算法
+关注继续查看

输出结果

该数据包含9个变量的20640个观测值,该数据集包含平均房屋价值作为目标变量和以下输入变量(特征):平均收入、房屋平均年龄、平均房间、平均卧室、人口、平均占用、纬度和经度。


代码设计

#DL:基于sklearn的加利福尼亚房价数据集实现GD算法

import tensorflow as tf

import numpy as np

from sklearn.datasets import fetch_california_housing

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()  #将特征进行标准归一化

#获取房价数据

housing = fetch_california_housing()

m,n = housing.data.shape

print (housing.keys())        #输出房价的key

print (housing.feature_names) #输出房价的特征:

print (housing.target)  

print (housing.DESCR)  

housing_data_plus_bias = np.c_[np.ones((m,1)), housing.data]

scaled_data = scaler. fit_transform(housing.data)

data = np.c_[np.ones((m,1)),scaled_data]

#设置参数

n_epoch = 1000

learning_rate = 0.01

#设置placeholder即灌入数据

X = tf.constant(data,dtype = tf.float32,name = "X")

y = tf.constant(housing.target.reshape(-111),dtype=tf.float32,name='y')

#theta理解为权重,random_uniform途中创建包含随机值的节点即初始权重是随机赋值的,理解为numpy的random函数

theta = tf.Variable(tf.random_uniform([n+1, 1], -1, 1),name='theta')    

y_pred = tf.matmul(X,theta,name='prediction')

error = y_pred - y

mse = tf.reduce_mean(tf.square(error),name='mse') #采用的成本函数是mse即Mean Squared Error均方误差

#计算梯度公式,关键一步

# #T1、手动求导

# gradient = 2/m * tf.matmul(tf.transpose(X),error)

# training_op = tf.assign(theta,theta - learning_rate * gradient) #assign将新值赋值给一个变量的节点,即权重更新公式的迭代过程

#T2、自动求导

optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate)

#参数初始化,启动session,将graph放入session进行每一步的更新

init = tf.global_variables_initializer()

with tf.Session() as sess:

   sess.run(init)

   for epoch in range(n_epoch):

       if epoch % 100 == 0:

           print ("Epoch",epoch, "MSE =", mse.eval())

#         sess.run(training_op)

   print('best theta:',theta.eval())


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
INTERFACE | 从技术到产品,搜狗为我们解读了神经机器翻译的现状
3 月 12 日,搜狗正式在线上平台发布了「旅行翻译宝」。这款随身翻译设备结合了搜狗神经网络机器翻译、语音识别、图像识别等多项技术,不仅支持语音、图像翻译等多种翻译模式,还提供中英日韩俄德等 18 种语言互译。
7 0
z3-solver求解器
一个非常高级的工具,SMT求解器。应用领域非常广,解各类方程,解各类编程问题(例如解数独),解逻辑题等都不在话下。
9 0
英特尔刘茵茵:持续优化NLP服务,助推人工智能创新和落地
去年六月,英特尔人工智能产品事业部(AIPG)数据科学主任、首席工程师刘茵茵在机器之心主办的第一届全球机器智能峰会(GMIS 2017)上发表了《演变中的人工智能,与模型俱进》主题演讲,探讨了深度学习如何用同一种模型为不同行业提供解决方案,以及如何让各个行业的专家建议推动整个人工智能生态系统的发展。会后,刘茵茵也接受了机器之心的专访,分享了英特尔在 AI 领域的整体规划,以及 AIPG 部门如何计划通过构建相应的框架、资源库等实现这一目标。
6 0
如何打造移动互联网时代的融媒超级APP | 央视新闻APP基于阿里巴巴EMAS的最佳实践
在移动互联网时代,如何实现用户在哪里,宣传阵地就在哪里,在此基础上再建设官媒的宣传主阵地? 央视新闻APP引入阿里云超级APP解决方案,通过EMAS和阿里云其他产品的协同,打造超级安全、超级生态、超级生产、超级用户、超级数据、超级融合的融媒超级APP。构建全媒体传播格局,不断提升传播力、引导力、影响力、公信力!
14 0
刚刚,寒武纪发布了首款云端AI芯片MLU100:进军服务器市场
5 月 3 日,智能芯片公司寒武纪科技在上海举办了 2018 产品发布会。会上,寒武纪正式发布了多个最新一代终端 IP 产品——采用 7nm 工艺的终端芯片 Cambricon 1M、首款云端智能芯片 MLU100 及搭载了 MLU100 的云端智能处理计算卡。
6 0
阿里巴巴「鹿班」算法技术负责人星瞳:用可控视觉生成引擎完成智能设计
在阿里巴巴,有一位接触设计不过两年时间,就从零开始做了 10 亿张海报,达到阿里巴巴 P5(中级) 设计师水平的传奇「人物」。它叫「鲁班」,是阿里巴巴神秘的智能设计系统。在第七届 UCAN 用户体验设计论坛上,「鲁班」正式以「鹿班」为名加入「阿里动物园」,对外开放核心能力,首批计划邀请一百名设计师。同时面向优秀设计师推出「驯鹿计划」,邀请 ta 们训练机器,完成有自己风格的设计。论坛期间,机器之心受邀访问了鹿班智能设计系统技术负责人星瞳,在首批受邀设计师之前,一窥鹿班如何看待设计,又如何进行设计的秘密。以下为采访实录。
8 0
dwz table增加总计、小计
dwz table增加总计、小计
15 0
为什么只用摄像头和光学雷达是不够的:我们能从Uber的自动驾驶车致死事件中学到什么
3 月 18 日星期天晚十点左右,Uber 的一辆自动驾驶 SUV 在美国亚利桑那州坦佩市的街道上造成了一起交通致死事故。坦佩市的警方证实,在事故发生时,该 SUV 处于自动驾驶模式并撞上了一名推着自行车横穿马路的女士。这名女士在医院抢救无效后去世。
6 0
从TPU3.0到DeepMind支持的Android P,谷歌I/O 2018的AI亮点全在这了
2018 年 5 月 8 日,一年一度的谷歌 I/O 开发者大会在美国加州山景城开幕。2016 年谷歌从移动优先到人工智能优先(AI-first),两年来我们从谷歌 I/O 看到了谷歌如何践行这一战略。在今日刚刚结束的 Keynote 中,机器学习依旧是整个大会的主旋律:谷歌发布了 TPU 3.0、Google Duplex,以及基于 AI 核心的新一代安卓操作系统 Android P,也介绍了自己在 News、Map、Lens 等众多产品中对 AI 与机器学习模型的应用。本文带你一览谷歌 I/O 2018 首日 keynote 的核心亮点。
6 0
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1701
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载