机器学习：【3】单变量线性回归实践

#本代码基于tensorflow2.0
#f(x) = ax + b

import tensorflow as tf
print('Tensorflow Version:{}'.format(tf.__version__)) #显示tf版本

import pandas as pd
import matplotlib.pypolt as plt
%matplotlib inline 
# 由于 %matplotlib inline 的存在，输入plt.plot(x,y)后，图像将自动显示出来。

#1 导入数据
data = pd.read_csv('data.csv') 
plt.scatter(data.x, data,y) #绘制散点图，可以观察数据的大概关系

#2 建立模型
model = tf.keras.Sequential() #模型结构为顺序层结构
model.add(tf.keras.layers.Dense(1, input_shape = (1,))) 
#Dense第一个参数为输出，第二个参数为输入
model.summary() #可用来显示当前的模型结构

#3 编译模型
model.complie(optimizer='adam', #优化算法
                loss='mse' #loss函数为均方差函数
)

#4 模型训练
model.fit(x, y, epochs=5000) #epochs为训练次数

#5 模型的使用
model.predit(pd.Series([0])) #可得到该点的预测值