tf.keras线性回归与多层感知器

项目场景：

使用tf.keras实现简单的线性回归

---

问题描述：

f(x) = ax + b，我们使用f(x)这个函数来映射输入特征和输出值

---

原因分析：

目标：
使用梯度下降算法预测函数f(x)与真实值之间的整体误差最小，如何定义误差最小呢？

损失函数：
使用均方差作为作为成本函数，也就是 预测值和真实值之间差的平方取均值

优化的目标（y代表实际的收入）：
找到合适的 a 和 b ，使得 (f(x) - y)²越小越好
注意：现在求解的是参数 a 和 b

如何优化：
使用梯度下降算法

---

代码：

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt

tf.__version__
#读入数据
data = pd.read_csv("./xxx/xxx/xx.csv")
data 
plt.scatter(data.Education, data.Income)
#构建训练数据
x = data.Education 
y = data.Income
#建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
model.summary()
#利用梯度下降，训练模型
model.compile(optimizer='adam', loss='mse')
history = model.fit(x, y, epochs=50000)
#预测
model.predict(pd.Series([20])

注意：不能预测时不能直接输入20， 因为训练输入x时是pd.Series

多层感知器：

f(x) = ax1 + bx2+c，我们使用f(x)这个函数来映射输入特征和输出值

---

代码：

#读入数据
data = pd.read_csv('dataset/xxx.csv')
#构建训练数据
x = data.iloc[:,1:-1]   #除去最后一列的所有数据
y = data.iloc[:, -1]   #最后一列
#建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(10, input_shape=(3,), activation='relu')
model.add(tf.keras.layers.Dense(1)
model.summary()
#编译模型
model.compile(opitmize='adam', loss='mse')
#训练模型
model.fit(x, y, epochs=100)
#预测数据
test= data.iloc[:10, 1:-1]
pred = model.predict(test)
pred

参考文献：
https://study.163.com/course/introduction/1004573006.htm