Python编程基础 | 线性回归

单变量线性回归就是从一个输入值预测一个输出值。输入/输出的对应关系就是一个线性函数。f(x)=ax+b

下面是一个根据学历预测年收入的例子。假设有一个数据集，我们称作训练集，数据集学历值和收入。

x：表示输入变量，也叫特征变量。

y：表示输出变量，也叫目标变量。

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

data = pd.read_csv(“Income1.csv”)

print(data)

plt.scatter(data.Education, data.Income)
plt.show()

目标：预测函数f（x）与真实值之间的整体误差最小。

如何定义最小误差？

损失函数：使用均方差作为成本函数，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）：找到一个a和b，使得（f(x) — y）²/n越小越好。现在是求解a和b。

如何优化？使用梯度下降算法。

使用Keras实现预测
数据集还是用前面的学历和收入。

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

data = pd.read_csv(“Income1.csv”)

print(data)

x = data.Education<