tensorflow实战1-利用keras实现线性回归（含数据）

使用tf.keras实现简单的线性回归

• 单变量的线性回归算法（eg:x代表学历，f(x)代表收入）：f=ax+b

  • 定义损失函数：使用均方差（真实值与预测值之差的平方均值）作为损失函数；
  • 优化目标：找到合适的a,b，使得损失函数值最小；

  import tensorflow as tf
  import pandas as pd
  
  data = pd.read_csv(r"./Income1.csv")#导入数据
  data = pd.read_csv(r"./Income1.csv")
  data.head()#观察数据
  
  import matplotlib.pyplot as plt
  %matplotlib inline
  
  plt.scatter(data.Education,data.Income)
  
  x = data.Education#设置训练集
  y = data.Income
  #-------------模型定义
  model =tf.keras.Sequential()#这里是一个顺序模型
  model.add(tf.keras.layers.Dense(1,input_shape=(1,)))#通过这样来建立了一个模型，输出维度为1，输入维度也为1
  
  model.summary()#呈现模型的样子   output(none,1),前面表示输出数据的数量，而1代表输出数据的维度
  
  #----------------------设置学习过程
  model.compile(optimizer="adam"#设置梯度下降优化方法，ada是常用的方法此时的学习率为默认值0.01
                    ,loss="mse"#mse是均方差的缩写#
  )
  
  #-----------------预测结果
  model.predict(x)