#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
机器学习:【3】单变量线性回归实践
于 2020-02-08 23:50:03 首次发布