keras实现线性回归模型

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(