欢迎光临
我们一直在努力

简单线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

n = 201 # x点数
X = np.linspace(-1, 1, n)[:,np.newaxis] # 等差数列构建X,[:,np.newaxis]这个是shape,这一行构建了一个n维列向量([1,n]的矩阵)
noise = np.random.normal(0, 0.5, X.shape) # 噪声值,与X同型
Y = X*2.7 + 0.6 + noise # Y

xs = tf.placeholder(tf.float32, [None, 1]) # 下面两行是占位符tf.placeholder(dtype, shape)
ys = tf.placeholder(tf.float32, [None, 1])

w = tf.Variable(1.1) # 这两行是weight变量,bias变量,括号中是初始值
b = tf.Variable(0.2)

ypredict = tf.add(w*xs,b) # 根据 w, b 产生的预测值

loss = tf.reduce_sum(tf.pow(ys-ypredict,2.0))/n # 损失函数,tf.reduce_sum()按某一维度元素求和,默认为按列

optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss) # 梯度下降优化器,0.01学习率,最小化losss

init = tf.global_variables_initializer() # 初始化所有变量

with tf.Session() as sess:
sess.run(init) # 运行初始化
for i in range (1000): # 迭代1000次
sess.run(optimizer, feed_dict = {xs:X,ys:Y}) # 运行优化器,梯度下降用到loss,计算loss需要xs, ys所以后面需要feed_dict
if i%50==0: # 每隔50次迭代输出w,b,loss
# 下面sess.run(w),sess.run(b)里面没有feed_dict是因为打印w,b不需要xs,ys,而打印loss需要
print (“w:”,sess.run(w),”\t b:”, sess.run(b), “\t loss:”, sess.run(loss,feed_dict={xs:X,ys:Y}))

plt.plot(X,X*sess.run(w)+sess.run(b)) # 运行迭代之后绘制拟合曲线,这需要在sess里面运行是因为要用到w,b
plt.scatter(X,Y) # 绘制被拟合数据(散点)
plt.show() # 绘制图像

总结 就是,先准备好一组x 和y的样本数据,这里是通过等差数列构建的x,然后用y = 2.7 * x + 0.6得出的y,

然后 建立模型,就是 y_predict = w * x + b, 这里x,y 为占位符,用于填充前面的样本数据,w和b为系数,

然后定义损失函数为   (y_predict – y) * ((y_predict – y) / n

就是求各种元素预测值与真值之间的平方差,求平均数,然后

定义优化器:

为梯度下降优化器,

然后初始化session, 设置迭代次数,运行

最后得出w和b,用得出的w和b 绘制直线,

简单线性回归算法的原理如下:

https://blog.csdn.net/cx943024256/article/details/79124113

 

赞(0) 打赏
未经允许不得转载:乌西塔 » 简单线性回归

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

觉得文章有用就打赏一下文章作者

微信扫一扫打赏