keras实现线性回归模型

这篇博客介绍了机器学习的基础,并通过Keras实现了一个简单的线性回归模型。讲解了线性回归方程的定义,使用均方差作为损失函数,并通过梯度下降法优化模型参数。最终展示了使用Keras建立的线性回归模型的输出结果。
摘要由CSDN通过智能技术生成

机器学习基础与线性回归方程

笼统的定义:

机器学习研究如何让计算机不需要明确的程序也能具备学习能力。

什么是机器学习?

系统用来学习的这些示例,我们称之为训练集。每一个训练示例称为训练实例或者是训练样本。
在本例中,任务就是给新邮件标记垃圾邮件,经验则是训练数据,那么衡量性能表现的指标则需要我们来定义,例如,我们可以使用被正确分类的邮件的比率来衡量。这个特殊的性能衡量标准称为精度,经常用于衡量分类任务。

使用Keras实现一个简单地线性回归

单变量现行回归算法(比如,x代表学历,f(x)代表收入)

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

预测目标与损失函数

目标:
预测函数f(x)与真实值之间的整体误差最小
如何定义误差最小呢?

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

from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
# %matplotlib inline 是IPython内置函数,在pycharm中使用会报错,我们可以使用plt.show()来替代它


x = np.linspace(
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值